வரைபடம்: tuput
தமிழ்
2015 முதல் 2022 வரையிலான ஆறு ஆய்வுக் கட்டுரைகள், இரைச்சலை மெதுவாகச் சேர்ப்பதைத் திருப்பிவிடக் கற்றுக்கொள்ளும் ஒரே கருத்தை, எளிய தரவிலிருந்து உரை வழிகாட்டுதல்கள் வரை கொண்டுசென்றன. Stability AI இன் வெளியீடு அந்த விளைவை 6.9 GB நினைவகம் என்று கூறப்படும் ஒரு வரைகலை அட்டையில் வைத்தது; 50 படி முறையை Hugging Face இன் வழிகாட்டி விவரிக்கிறது.
Stability AI 2022 ஆகஸ்ட் 22 அன்று Stable Diffusion இன் பொது வெளியீட்டை அறிவித்து, எடைகள், மாதிரி அட்டை, குறியீடு ஆகியவற்றை வெளியிட்டது. இறுதி நினைவகப் பயன்பாடு 6.9 GB வரைகலை நினைவகமாக இருக்க வேண்டும் என்று நிறுவனம் கூறியது. வெளியீட்டில் பணியாற்றிய Hugging Face அதே நாளில் ஒரு வழிகாட்டியை வெளியிட்டது. பயனர் ஒரு உரை வழிகாட்டுதலை (prompt) தட்டச்சு செய்யும்போது நடப்பதை அது விவரிக்கிறது: மாதிரி எண்களின் ஒரு சிறிய கட்டத்தில் சீரற்ற இரைச்சலிலிருந்து தொடங்குகிறது, உரை வழிகாட்டுதலைப் படித்தபடி அதிலிருந்து சுமார் 50 முறை இரைச்சலை நீக்குகிறது, விளைவை 512 க்கு 512 படப்புள்ளிகள் கொண்ட படமாக மாற்றுகிறது.
அந்த 50 படிகளுக்குப் பின்னால் இருக்கும் முறை, இயற்பியலிடமிருந்து கடன் வாங்கிய 2015 மார்ச் ஆய்வுக் கட்டுரையில் தோன்றியது. இந்தக் கட்டுரை அதை ஆறு ஆய்வுக் கட்டுரைகள் வழியாகவும் வெளியீட்டு வரையிலும் தொடர்கிறது. கீழே உள்ள ஒவ்வொரு எண்ணும் ஆசிரியர்களின் சொந்தம்; அவர்களின் சொந்த வன்பொருளிலும் தரவுத்தொகுப்புகளிலும் அளக்கப்பட்டது. கட்டுரைகள் வெவ்வேறு தரவுத்தொகுப்புகளையும் அமைப்புகளையும் பயன்படுத்துவதால், அவற்றுக்கிடையே எந்த மதிப்பெண்ணும் ஒப்பிடப்படுவதில்லை.
ஒரு படத்தை மெதுவாக அழி, பிறகு அதைத் திருப்பக் கற்றுக்கொள்
Jascha Sohl-Dickstein, Eric Weiss, Niru Maheswaranathan, Surya Ganguli ஆகியோர் தங்கள் கட்டுரையை 2015 மார்ச் 12 அன்று arXiv க்கு அனுப்பினர். அதன் தலைப்பு சமநிலையற்ற வெப்ப இயக்கவியலைக் குறிப்பிடுகிறது; அது நிலைபெறாமல் மாறிக்கொண்டிருக்கும் அமைப்புகளின் இயற்பியல். சமநிலையற்ற புள்ளியியல் இயற்பியலால் ஈர்க்கப்பட்ட அடிப்படைக் கருத்து, முன்னோக்கிய diffusion செயல்முறையால் தரவிலுள்ள அமைப்பை மெதுவாக அழித்து, அதை மீட்டெடுக்கும் பின்னோக்கிய செயல்முறையைக் கற்றுக்கொள்வதே என்று சுருக்கம் சொல்கிறது.
Hugging Face வழிகாட்டியின் ஓடும் எடுத்துக்காட்டை எடுத்துக்கொள்ளுங்கள்: குதிரையில் சவாரி செய்யும் ஒரு விண்வெளி வீரரின் புகைப்படம். அந்தப் புகைப்படத்தில் ஒரு துளி சீரற்ற இரைச்சலைச் சேருங்கள், பிறகு இன்னொரு துளி, நிலையான இரைச்சலைத் தவிர வேறெதுவும் மிஞ்சும் வரை தொடருங்கள். முன்னோக்கிய திசைக்குக் கற்றல் தேவையில்லை. நரம்பியல் வலையமைப்பு எதிர்த் திசைப் பணிக்குப் பயிற்சி பெறுகிறது: ஒரு படத்தின் சற்றே அதிக இரைச்சலான வடிவம் கொடுக்கப்பட்டால், சற்றே தூய்மையான வடிவத்தை உருவாக்க வேண்டும். புதிதாக ஒன்றை உருவாக்க, தூய நிலையான இரைச்சலிலிருந்து தொடங்கி, வலையமைப்பைத் திரும்பத் திரும்பப் பயன்படுத்துங்கள்.
2015 ஆசிரியர்கள் ஆயிரக்கணக்கான அடுக்குகள் அல்லது நேரப் படிகள் கொண்ட மாதிரிகளுக்குப் பயிற்சி அளித்தனர். அவற்றை ஒரு இரு பரிமாண swiss roll (சுருள் வடிவ புள்ளிக் கூட்டம்), ஒரு இருமத் தொடர்வரிசை, MNIST இன் கையெழுத்து இலக்கங்கள், CIFAR-10, bark, dead-leaves தரவுத்தொகுப்புகளிலிருந்து சிறிய இயற்கைப் படங்கள் ஆகியவற்றில் சோதித்தனர்.
சிறிதளவு இரைச்சலை ஆயிரம் முறை நீக்கு
கலிபோர்னியா பல்கலைக்கழகம், பெர்க்லியைச் சேர்ந்த Jonathan Ho, Ajay Jain, Pieter Abbeel ஆகியோர் தங்கள் கட்டுரையை 2020 ஜூன் 19 அன்று வெளியிட்டனர். தங்களுக்குத் தெரிந்தவரை, diffusion மாதிரிகள் உயர்தர மாதிரிகளை உருவாக்க முடியும் என்று இதுவரை யாரும் காட்டவில்லை என்றும், தங்கள் முடிவுகள் அதைக் காட்டுகின்றன என்றும் அவர்கள் எழுதுகின்றனர். எந்த லேபிளும் இல்லாமல் உருவாக்கப்பட்ட CIFAR-10 சிறிய படத் தொகுப்பில், Inception score 9.46, Frechet Inception Distance (FID; குறைவாக இருந்தால் உருவாக்கப்பட்ட படங்கள் புள்ளியியல் ரீதியாக உண்மையான படங்களுக்கு நெருக்கம் என்று பொருள்படும் மதிப்பெண்) 3.17 என்று அவர்கள் தெரிவிக்கின்றனர்; அதை அப்போதைய அதிநவீன நிலை என்கின்றனர். படுக்கையறைகள், தேவாலயங்கள், பூனைகளின் புகைப்படத் தொகுப்பான 256 க்கு 256 LSUN இல், முந்தைய உருவாக்கியான ProgressiveGAN க்குச் சமமான மாதிரித் தரத்தைத் தெரிவிக்கின்றனர்.
செய்முறை சுருக்கமானது. கட்டுரை 1,000 படிகளைப் பயன்படுத்துகிறது; ஒவ்வொரு படியிலும் 0.0001 முதல் 0.02 வரை சம அதிகரிப்புகளில் வளரும் அளவுகளில் இரைச்சலைச் சேர்க்கிறது. பயிற்சியில், முறை ஒரு படத்தைத் தேர்ந்தெடுத்து, ஒரு சீரற்ற படியைத் தேர்ந்தெடுத்து, பொருந்தும் அளவு இரைச்சலைச் சேர்த்து, சேர்க்கப்பட்ட இரைச்சலைக் கணிக்கும்படி வலையமைப்பிடம் கேட்கிறது. மாதிரி எடுத்தல் தூய இரைச்சலிலிருந்து தொடங்குகிறது. 1,000 படிகளில் ஒவ்வொன்றிலும் வலையமைப்பு இரைச்சலைக் கணிக்கிறது, மாதிரி எடுப்பான் அதைக் கழிக்கிறது, கடைசிப் படியைத் தவிர மற்றவற்றில் ஒரு சிறிய புதிய சீரற்றத் தன்மையைத் திரும்பச் சேர்க்கிறது.
வலையமைப்பு ஒரு U-Net; அது படத்தை ஒரு கரடுமுரடான சுருக்கமாகச் சுருக்கி, பிறகு மீண்டும் விரிக்கும் பட மாதிரி; 16 க்கு 16 தெளிவுத்திறனில் self-attention அடுக்குகளைக் கொண்டது. படி எண் Transformer கட்டுரையின் sinusoidal நிலை உட்பொதிப்பைப் பயன்படுத்தி உள்ளிடப்படுகிறது; ஒரு பெரிய மொழி மாதிரி எப்படிப் பயிற்சி பெறுகிறது என்பதில் விளக்கப்படும் மொழி மாதிரிகளுக்குப் பின்னாலும் இருக்கும் வடிவமைப்பு இது. CIFAR-10 மாதிரியில் 35.7 மில்லியன் அளவுருக்கள் (வலையமைப்பினுள் சரிசெய்யக்கூடிய எண்கள்) உள்ளன; அது TPU v3-8 இல் 10.6 மணி நேரத்தில் முழுமையாகப் பயிற்சி பெற்றது; இது எட்டு V100 GPU களுக்குச் சமம் என்று ஆசிரியர்கள் ஒப்பிடும் Google முடுக்கி. 256 க்கு 256 அளவில் 128 படங்கள் கொண்ட ஒரு தொகுப்பை உருவாக்க 300 வினாடிகள் ஆயின.
வேகமான மாதிரி எடுத்தலும், அதே கருத்து ஒரு சமன்பாடாகவும்
ஆயிரம் தொடர் கடவுகள் மெதுவானவை. Jiaming Song, Chenlin Meng, Stefano Ermon ஆகியோர் 2020 அக்டோபர் 6 கட்டுரையில் அதை அளந்தனர்: Nvidia 2080 Ti வரைகலை அட்டையில் ஒரு DDPM இலிருந்து 32 க்கு 32 படப்புள்ளிகள் கொண்ட 50,000 படங்களை மாதிரி எடுக்க ஏறத்தாழ 20 மணி நேரம், ஒரு படத்தை ஒரே கடவில் உருவாக்கும் பழைய வகை உருவாக்கியான GAN க்கு ஒரு நிமிடத்துக்கும் குறைவு. 256 க்கு 256 படங்களுக்கு அது கிட்டத்தட்ட 1,000 மணி நேரம் என்று அவர்கள் கூறினர்.
அவர்களின் தீர்வான denoising diffusion implicit models அல்லது DDIM, பயிற்சியை அப்படியே வைத்து, மாதிரிகள் எடுக்கப்படும் விதத்தை மட்டும் மாற்றுகிறது. 1,000 படி மாதிரிகளுக்கு ஒப்பிடத்தக்க மாதிரிகளை 20 முதல் 100 படிகளில் பெற்றதாகவும், அது 10 முதல் 50 மடங்கு வேகம் என்றும், ஒரு மாதிரிக்கான நேரம் படிகளின் எண்ணிக்கையுடன் நேர்கோட்டில் வளர்கிறது என்றும் ஆசிரியர்கள் தெரிவிக்கின்றனர்.
ஏழு வாரங்கள் கழித்து, 2020 நவம்பர் 26 அன்று, 2015 கட்டுரையின் Sohl-Dickstein உட்பட ஐந்து இணை ஆசிரியர்களுடன் Yang Song, இந்தச் செயல்முறையைத் தரவிலிருந்து இரைச்சலுக்குச் செல்லும் ஒரு stochastic differential equation (சீரற்ற இயக்கம் உள்ளமைந்த சமன்பாடு) ஆகவும், இரைச்சலிலிருந்து தரவுக்குத் திரும்பும் அதற்கு இணையான பின்னோக்கிய சமன்பாடாகவும் மறுவடிவமைத்தனர். அவர்கள் வார்த்தைகளில்: “தரவிலிருந்து இரைச்சலை உருவாக்குவது எளிது; இரைச்சலிலிருந்து தரவை உருவாக்குவதே உருவாக்க மாதிரியாக்கம்.” முந்தைய score-based, diffusion அணுகுமுறைகளை இந்தக் கட்டமைப்பு உள்ளடக்குகிறது என்று அவர்கள் எழுதுகின்றனர்; ஒரு score-based மாதிரியிலிருந்து 1024 க்கு 1024 படங்களை முதல் முறையாக உருவாக்கியதாகவும் தெரிவிக்கின்றனர்.
படத்தை வார்த்தைகளைப் பின்பற்றச் செய்தல்
ஒரு பட உருவாக்கி உரை வழிகாட்டுதலைப் பின்பற்ற வேண்டும்; அதற்கு diffusion க்கு ஒரு வழி தேவைப்பட்டது. முந்தைய முறையான classifier guidance, ஒரு தனிப் பட வகைப்படுத்தியைக் கொண்டு மாதிரி எடுத்தலை வழிநடத்துகிறது. Jonathan Ho, Tim Salimans ஆகியோர், 2022 ஜூலை 26 அன்று வெளியிட்ட கட்டுரையில் (ஒரு சுருக்கப் பதிப்பு NeurIPS 2021 பயிலரங்கில் வெளியாகியிருந்தது), அது இல்லாமலும் செய்ய முடியும் என்று காட்டினர்.
classifier-free guidance இல் ஒரே வலையமைப்பு ஒரே நேரத்தில் இரு பணிகளுக்குப் பயிற்சி பெறுகிறது. பயிற்சி எடுத்துக்காட்டுகளில் ஒரு பகுதிக்கு லேபிள் அல்லது உரை வழிகாட்டுதல் சீரற்ற முறையில் ஒரு வெற்று இடஒதுக்கீட்டால் மாற்றப்படுகிறது; அதனால் வலையமைப்பு அது இருக்கும்போதும் இல்லாதபோதும் இரைச்சலை நீக்கக் கற்கிறது. மாதிரி எடுக்கும்போது இரு கணிப்புகளும் இணைக்கப்படுகின்றன; ஒரு எடை w, முடிவு உரை வழிகாட்டுதலை நோக்கி எவ்வளவு சாய்கிறது என்பதை அமைக்கிறது. 64 க்கு 64 ImageNet இல் நிபந்தனையை 0.1, 0.2, 0.5 நிகழ்தகவுடன் கைவிட்டுப் பார்த்த ஆசிரியர்கள், 0.5 மற்ற இரண்டையும்விட தொடர்ந்து மோசமாக இருந்ததாகக் கண்டனர். எடையை உயர்த்தினால் ஒவ்வொரு படத்தின் தரம் உயர்கிறது, படங்களுக்கிடையிலான வேறுபாடு குறைகிறது.
இந்த முறைக்கு நேரம் செலவாகிறது. ஒவ்வொரு மாதிரி எடுத்தல் படிக்கும் வலையமைப்பின் வழியாக இரு கடவுகள் தேவை, ஒன்று உரை வழிகாட்டுதலுடன், ஒன்று இல்லாமல்; இதை ஒரு சாத்தியமான குறைபாடாக ஆசிரியர்கள் குறிப்பிடுகின்றனர்.
Stable Diffusion இந்த முறையைப் பயன்படுத்துகிறது. v1-4 மாதிரி அட்டை, அதன் பயிற்சியின் கடைசிக் கட்டத்தில் உரை நிபந்தனை 10 சதவீத நேரம் கைவிடப்பட்டது என்று சொல்கிறது: “classifier-free guidance மாதிரி எடுத்தலை மேம்படுத்த.” பயனருக்குத் தெரியும் கட்டுப்பாட்டை Hugging Face வழிகாட்டி guidance_scale என்று தருகிறது; இயல்புநிலை 7.5, 7 முதல் 8.5 வரையிலான மதிப்புகள் பொதுவாக நல்லவை என்று விவரிக்கப்படுகின்றன. மிகப் பெரிய மதிப்புகள் நன்றாகத் தோன்றக்கூடிய ஆனால் குறைவான வேறுபாடு கொண்ட படங்களைத் தரும் என்று அது எச்சரிக்கிறது.
சிறிய கித்தானில் வேலை செய்தல்
படப்புள்ளி வெளியில் diffusion விலை உயர்ந்தது. Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, Björn Ommer ஆகியோர் 2021 டிசம்பர் 20 அன்று தங்கள் கட்டுரையை, மிக ஆற்றல்வாய்ந்த diffusion மாதிரிகள் பெரும்பாலும் பயிற்சி பெற நூற்றுக்கணக்கான GPU நாட்கள் எடுக்கும் என்று சொல்லித் தொடங்குகின்றனர். முந்தைய ஒரு மாதிரிக்கு 150 முதல் 1,000 V100 நாட்களையும், அத்தகைய மாதிரியிலிருந்து 50,000 மாதிரிகளை உருவாக்க ஒரு A100 இல் சுமார் ஐந்து நாட்களையும் அவர்கள் மேற்கோள் காட்டுகின்றனர்.
அவர்களின் தீர்வு, diffusion ஐ latent space இல் இயக்குவது; அதாவது படத்தின் அழுத்தப்பட்ட எண் சுருக்கம். முதலில் ஒரு தனி autoencoder, ஒரு படத்தைச் சுருக்கி மீண்டும் விரிக்கும் வலையமைப்பு இணை, பயிற்சி பெறுகிறது. பிறகு diffusion சிறிய சுருக்கத்தின் மீது நடக்கிறது; முடிந்த சுருக்கத்தை decoder மீண்டும் படப்புள்ளிகளாக மாற்றுகிறது. உரை அல்லது பிற உள்ளீடுகள் அதை வழிநடத்தும்படி U-Net க்கு cross-attention அடுக்குகளையும் ஆசிரியர்கள் சேர்க்கின்றனர்.
ஒரே NVIDIA A100 இல், அதே எண்ணிக்கை அளவுருக்களுடன் ImageNet மீது 2 மில்லியன் படிகள் பயிற்சி அளித்தபோது, படப்புள்ளி வெளியில் diffusion க்கும் 8 என்ற அழுத்தக் காரணியில் diffusion க்கும் இடையே 38 FID புள்ளிகள் இடைவெளி இருந்ததாகக் கண்டனர். சிறிய காரணி முடிவுகளுக்கு, புலனுக்குத் தெரியாத விவரங்களின் பெரும்பாலான அழுத்தத்தை diffusion மாதிரிக்கே விட்டுவிடுவதே காரணம் என்று கட்டுரை கூறுகிறது.
Stable Diffusion 8 என்ற காரணியைப் பயன்படுத்துகிறது. மூன்று நிறச் சேனல்களுடன் உயரம் H, அகலம் W கொண்ட படத்தை, நான்கு சேனல்களுடன் H/8 க்கு W/8 latent ஆக அது வரைபடமாக்குகிறது என்று மாதிரி அட்டை சொல்கிறது. 512 க்கு 512 படத்துக்கு அது 64 க்கு 64 கட்டம்; Hugging Face வழிகாட்டி இதை 8 x 8 = 64 என்ற இடஞ்சார்ந்த அழுத்த விகிதம் என்கிறது. எளிய வகுத்தலில், படத்தின் 786,432 எண்கள் latent இல் 16,384 எண்களாகின்றன; ஒவ்வொரு படியிலும் வலையமைப்பு கையாளுவதில் 48 மடங்கு குறைவு.
உரை வழிகாட்டுதல் CLIP (ViT-L/14 பதிப்பு) இன் உரை குறியாக்கியால் எண்களாக மாற்றப்படுகிறது; அது நிலையானது, முன்பே பயிற்சி பெற்றது என்றும், அதனால் மற்ற பகுதிகளுடன் சேர்ந்து பயிற்சி பெறுவதில்லை என்றும் மாதிரி அட்டை சொல்கிறது. U-Net அதை cross-attention மூலம் படிக்கும் 77 க்கு 768 எண் தொகுதியாக வெளியீட்டை Hugging Face விவரிக்கிறது.
2022 ஆகஸ்ட் 22 அன்று வெளியானது என்ன
Stability AI இன் அறிவிப்பு, Hugging Face இல் உள்ள சட்ட, நெறிமுறை, தொழில்நுட்பக் குழுக்களையும், கிளவுட் வழங்குநரான CoreWeave இன் பொறியாளர்களையும் பாராட்டுகிறது. மாதிரி Creative ML OpenRAIL-M உரிமத்தின் கீழ் வந்தது; அது வணிக, வணிகமல்லாத பயன்பாட்டை அனுமதிப்பதாகவும், நெறிமுறை, சட்டப் பயன்பாட்டுக்குப் பயனரைப் பொறுப்பாக்குவதாகவும், எந்த விநியோகத்துடனும் உரிமம் இணைந்து வர வேண்டும் என்று கோருவதாகவும் நிறுவனம் விவரிக்கிறது. தேவையற்ற வெளியீடுகளை நீக்க ஒரு பாதுகாப்பு வகைப்படுத்தி இயல்பாகச் சேர்க்கப்பட்டது. பரிந்துரைக்கப்பட்ட எடைகள் v1.4; NVIDIA சிப்புகள் பரிந்துரைக்கப்படுகின்றன என்றும், AMD, Apple M1, M2 சிப்புகளுக்கான ஆதரவு பின்னர் வரும் என்றும் நிறுவனம் கூறியது. நிறுவனம் வெளியிட்ட பக்கம் தேதியை ஆண்டு இல்லாமல் “Aug 22” என்று காட்டுகிறது; அதே வெளியீடு பற்றிய Hugging Face வழிகாட்டி 2022 ஆகஸ்ட் 22 என்ற தேதியைக் கொண்டுள்ளது.
மாதிரி அட்டை Robin Rombach, Patrick Esser ஆகியோரை உருவாக்குநர்களாகக் குறிப்பிட்டு, Stable Diffusion v1 LAION-2B(en) மற்றும் அதன் துணைத் தொகுப்புகளில் பயிற்சி பெற்றது என்று சொல்கிறது. 2022 அக்டோபர் 16 அன்று வெளியான LAION-5B கட்டுரை, CLIP கொண்டு வடிகட்டிய 5.85 பில்லியன் பட-உரை இணைகளை விவரிக்கிறது; அவற்றில் 2.32 பில்லியனுக்கு ஆங்கில உரை உள்ளது. வன்பொருளுக்கு, அட்டை 32 x 8 A100 GPU களைப் பட்டியலிடுகிறது; அதன் உமிழ்வு மதிப்பீட்டுக்கு, கிழக்கு அமெரிக்காவில் உள்ள ஒரு Amazon Web Services பிராந்தியத்தில் A100 PCIe 40GB அட்டைகளில் 150,000 மணி நேரத்தைக் குறிப்பிட்டு, அதை 11,250 கிலோ CO2 சமமாக மதிப்பிடுகிறது. இவை அட்டையின் சொந்த மதிப்பீடுகள்.
படிகள் நடைமுறையில் முக்கியம். Hugging Face வழிகாட்டியில் இயல்புநிலை 50 இரைச்சல் நீக்கப் படிகள்; 15 படிகளுடன் செய்த ஓட்டம் அதே ஒட்டுமொத்த அமைப்பை வைத்திருந்தாலும், விண்வெளி வீரரின் உடையிலும் குதிரையின் வடிவிலும் சிக்கல்கள் இருந்தன.
தன்னால் முடியாது என்று மாதிரி அட்டை சொல்வது
பின்னாளைய பதிப்புகளான 1.5, 2, 2.1 குறைந்த குறியீட்டு மாற்றங்களுடன் இயங்குகின்றன என்று Hugging Face வழிகாட்டி சொல்கிறது. இந்தக் கட்டுரை v1-4 ஐயும் 2022 வரையிலான கட்டுரைகளையும் மட்டுமே விவரிக்கிறது. Rombach, Esser எழுதிய v1-4 அட்டை இந்தப் பதிப்பின் வரம்புகளைத் தெளிவாகக் கூறுகிறது. மாதிரி முழுமையான புகைப்பட யதார்த்தத்தை எட்டுவதில்லை, படிக்கக்கூடிய உரையை வரைய முடியாது. “நீலக் கோளத்தின் மீது சிவப்புக் கனசதுரம்” போன்ற கூட்டமைப்புப் பணிகளில் அது நன்றாகச் செயல்படுவதில்லை; முகங்களும் மனிதர்களும் சரியாக உருவாகாமல் போகலாம்.
மாதிரி முக்கியமாக ஆங்கில விளக்கங்களுடன் பயிற்சி பெற்றது, பிற மொழிகளில் குறைவாகவே வேலை செய்கிறது என்றும், autoencoder இழப்புடன் கூடியது என்றும் அட்டை சொல்கிறது. தரவு நகல் நீக்கப்படவில்லை என்றும், அதனால் பயிற்சித் தொகுப்பில் பலமுறை தோன்றும் சில படங்கள் மனப்பாடம் செய்யப்பட்டுள்ளன என்றும் அது தெரிவிக்கிறது; சோதிக்க ஒரு பொதுத் தேடல் கருவியையும் அது சுட்டுகிறது. பயிற்சித் தொகுப்பில் வயதுவந்தோர் உள்ளடக்கம் உள்ளது என்றும், கூடுதல் பாதுகாப்பு வழிமுறைகள் இல்லாமல் தயாரிப்புப் பயன்பாட்டுக்கு அந்தத் தரவுத்தொகுப்பு பொருந்தாது என்றும் அட்டை சேர்க்கிறது. அத்தகைய தரவில் பயிற்சி அளிப்பது சட்டப்படியானதா என்பது நீதிமன்றங்களில் தீர்மானிக்கப்படுகிறது; AI பயிற்சி பற்றிய 2026 ஆம் ஆண்டின் மூன்று தீர்ப்புகள் அதைக் காட்டுகின்றன. தவறான ஆளுமைப்படுத்தலையும் தவறான தகவலையும் தவறான பயன்பாடுகளாக அட்டை பட்டியலிடுகிறது; தேர்தல்களில் AI போலிகளுக்கான விதிகள் FCC, ஐரோப்பிய ஒன்றியம், இந்தியா பற்றிய இந்தப் பார்வையில் உள்ளன.
2020 மாதிரி எடுப்பான் அது உருவாக்கிய ஒவ்வொரு படத்துக்கும் 1,000 படிகளைப் பயன்படுத்தியது. உயர்தர 512 க்கு 512 படத்துக்கு 50 படிகள் பொதுவாகப் போதுமானவை என்று 2022 ஆகஸ்ட் 22 தேதியிட்ட Hugging Face வழிகாட்டி சொல்கிறது.
ஆதாரங்களும் மேலும் வாசிக்கவும்
- Sohl-Dickstein, Weiss, Maheswaranathan and Ganguli: Deep Unsupervised Learning using Nonequilibrium Thermodynamics (arXiv:1503.03585, 12 March 2015)
- Ho, Jain and Abbeel: Denoising Diffusion Probabilistic Models (arXiv:2006.11239, 19 June 2020; NeurIPS 2020)
- Song, Meng and Ermon: Denoising Diffusion Implicit Models (arXiv:2010.02502, 6 October 2020; ICLR 2021)
- Song, Sohl-Dickstein, Kingma, Kumar, Ermon and Poole: Score-Based Generative Modeling through Stochastic Differential Equations (arXiv:2011.13456, 26 November 2020; ICLR 2021)
- Ho and Salimans: Classifier-Free Diffusion Guidance (arXiv:2207.12598, 26 July 2022)
- Rombach, Blattmann, Lorenz, Esser and Ommer: High-Resolution Image Synthesis with Latent Diffusion Models (arXiv:2112.10752, 20 December 2021; CVPR 2022)
- Stability AI: Stable Diffusion Public Release (22 August)
- CompVis and Stability AI: Stable Diffusion v1-4 model card (Hugging Face)
- Patil, Cuenca, Lambert and von Platen, Hugging Face: Stable Diffusion with Diffusers (22 August 2022)
- Schuhmann et al.: LAION-5B, an open large-scale dataset for training next generation image-text models (arXiv:2210.08402, 16 October 2022)
இந்தக் கட்டுரை AI கருவிகளின் உதவியுடன் ஆராயப்பட்டு எழுதப்பட்டு, துல்லியத்திற்காகத் திருத்தப்பட்டது. இது பொதுத் தகவலுக்கும் விவாதத்திற்கும் மட்டுமே, தொழில்முறை ஆலோசனை அல்ல. எங்கள் ஆசிரியர் தரநிலைகள் மற்றும் பொறுப்புத் துறப்பு ஐப் பார்க்கவும். பிழை கண்டீர்களா? எங்களிடம் சொல்லுங்கள்.
பிடித்ததா? அடுத்ததைப் பெறுங்கள்.
ஒரு நேரத்தில் ஒரு நல்ல கட்டுரை, நேரடியாக உங்கள் இன்பாக்ஸுக்கு. ஸ்பேம் இல்லை, எப்போது வேண்டுமானாலும் நிறுத்தலாம்.