చిత్రణ: tuput
తెలుగు
2015 నుంచి 2022 మధ్య వచ్చిన ఆరు పత్రాలు ఒకే ఆలోచనను, నాయిస్ను నెమ్మదిగా చేర్చడాన్ని వెనక్కి తిప్పడం నేర్చుకోవడాన్ని, సాధారణ డేటా నుంచి టెక్స్ట్ ప్రాంప్ట్ల వరకు తీసుకెళ్లాయి. స్టెబిలిటీ AI విడుదల ఫలితాన్ని 6.9 GB మెమరీ అని చెప్పిన గ్రాఫిక్స్ కార్డుపైకి తెచ్చింది, హగ్గింగ్ ఫేస్ గైడ్ 50 దశల ప్రక్రియను వివరిస్తుంది.
స్టెబిలిటీ AI 2022 ఆగస్టు 22న స్టేబుల్ డిఫ్యూజన్ బహిరంగ విడుదలను ప్రకటించి, వెయిట్లను, మోడల్ కార్డును, కోడ్ను ప్రచురించింది. తుది మెమరీ వినియోగం 6.9 GB గ్రాఫిక్స్ మెమరీగా ఉండాలని కంపెనీ చెప్పింది. ఆ విడుదలలో పనిచేసిన హగ్గింగ్ ఫేస్ అదే రోజు ఒక గైడ్ ప్రచురించింది. వినియోగదారు ప్రాంప్ట్ టైప్ చేసినప్పుడు ఏం జరుగుతుందో అది వివరిస్తుంది: మోడల్ చిన్న సంఖ్యల గ్రిడ్లోని యాదృచ్ఛిక నాయిస్ నుంచి మొదలై, ప్రాంప్ట్ను చదువుతూ దాని నుంచి సుమారు 50 సార్లు నాయిస్ను తొలగించి, ఫలితాన్ని 512 బై 512 పిక్సెల్ల చిత్రంగా డీకోడ్ చేస్తుంది.
ఆ 50 దశల వెనుక ఉన్న పద్ధతి, భౌతికశాస్త్రం నుంచి తీసుకున్న 2015 మార్చి నాటి పత్రంలో కనిపించింది. ఈ వ్యాసం దాన్ని ఆరు పత్రాల ద్వారా, విడుదల ద్వారా అనుసరిస్తుంది. కింద ఉన్న ప్రతి సంఖ్య రచయితలదే, వారి సొంత హార్డ్వేర్, డేటాసెట్లపై కొలిచినది. పత్రాలు వేర్వేరు డేటాసెట్లు, సెట్టింగులు వాడతాయి, అందువల్ల వాటి మధ్య ఏ స్కోరునూ పోల్చలేదు.
చిత్రాన్ని నెమ్మదిగా నాశనం చేయండి, తర్వాత దాన్ని వెనక్కి తిప్పడం నేర్చుకోండి
జాషా సోల్-డిక్స్టైన్, ఎరిక్ వైస్, నీరు మహేశ్వరనాథన్, సూర్య గంగూలీ 2015 మార్చి 12న తమ పత్రాన్ని arXivకి సమర్పించారు. దాని శీర్షిక నాన్ ఈక్విలిబ్రియం థర్మోడైనమిక్స్ను, అంటే స్థిరపడకుండా మారుతున్న వ్యవస్థల భౌతికశాస్త్రాన్ని పేర్కొంటుంది. నాన్-ఈక్విలిబ్రియం స్టాటిస్టికల్ ఫిజిక్స్ నుంచి స్ఫూర్తి పొందిన ప్రధాన ఆలోచన, ఫార్వర్డ్ డిఫ్యూజన్ ప్రక్రియ ద్వారా డేటాలోని నిర్మాణాన్ని నెమ్మదిగా నాశనం చేసి, ఆ తర్వాత దాన్ని పునరుద్ధరించే రివర్స్ ప్రక్రియను నేర్చుకోవడమని సారాంశం చెబుతుంది.
హగ్గింగ్ ఫేస్ గైడ్లోని ఉదాహరణను తీసుకోండి: గుర్రంపై స్వారీ చేస్తున్న వ్యోమగామి ఫోటో. ఆ ఫోటోకు ఒక చిటికెడు యాదృచ్ఛిక నాయిస్ కలపండి, తర్వాత మరో చిటికెడు, స్టాటిక్ తప్ప ఏమీ మిగలనంత వరకు కొనసాగించండి. ముందుకు వెళ్లే దిశకు నేర్చుకోవడం అవసరం లేదు. న్యూరల్ నెట్వర్క్కు వ్యతిరేక పని నేర్పిస్తారు: ఒక చిత్రానికి కాస్త ఎక్కువ నాయిస్ ఉన్న రూపం ఇస్తే, కాస్త శుభ్రమైనదాన్ని తయారు చేయడం. కొత్తది తయారు చేయడానికి, పూర్తి స్టాటిక్ నుంచి మొదలుపెట్టి నెట్వర్క్ను పదేపదే వర్తింపజేయండి.
2015 రచయితలు వేల పొరలు లేదా కాల దశలతో మోడళ్లను శిక్షణ ఇచ్చారు. వాటిని రెండు డైమెన్షన్ల స్విస్ రోల్ (స్పైరల్ ఆకారపు బిందువుల మేఘం), ఒక బైనరీ సీక్వెన్స్, MNIST నుంచి చేతిరాత అంకెలు, CIFAR-10, బార్క్, డెడ్-లీవ్స్ డేటాసెట్ల నుంచి చిన్న సహజ చిత్రాలపై పరీక్షించారు.
కొంచెం నాయిస్ తొలగించండి, వెయ్యి సార్లు
యూనివర్సిటీ ఆఫ్ కాలిఫోర్నియా, బర్క్లీకి చెందిన జోనాథన్ హో, అజయ్ జైన్, పీటర్ అబీల్ తమ పత్రాన్ని 2020 జూన్ 19న పోస్ట్ చేశారు. తమకు తెలిసినంత వరకు, డిఫ్యూజన్ మోడళ్లు అధిక నాణ్యత నమూనాలను తయారు చేయగలవని ఇంతవరకు ఎవరూ చూపలేదని, తమ ఫలితాలు చూపుతున్నాయని వారు రాశారు. ఏ లేబుల్ లేకుండా తయారుచేసిన చిన్న చిత్రాల CIFAR-10 సేకరణపై 9.46 ఇన్సెప్షన్ స్కోరు, 3.17 ఫ్రెచెట్ ఇన్సెప్షన్ డిస్టెన్స్ (FID, తక్కువ అంటే తయారైన చిత్రాలు గణాంకపరంగా నిజమైన వాటికి దగ్గరగా ఉన్నాయని చెప్పే స్కోరు) వచ్చాయని వారు నివేదిస్తారు, అప్పటి అత్యాధునిక స్థాయి అని అంటారు. పడక గదులు, చర్చిలు, పిల్లుల ఫోటోల సమితి అయిన 256 బై 256 LSUNపై, అంతకుముందటి జనరేటర్ ప్రోగ్రెసివ్GANను పోలిన నమూనా నాణ్యతను వారు నివేదిస్తారు.
పద్ధతి చిన్నది. పత్రం 1,000 దశలు వాడుతుంది, ప్రతి దశలో 0.0001 నుంచి 0.02 వరకు సమాన పెరుగుదలలతో నాయిస్ కలుపుతుంది. శిక్షణలో, పద్ధతి ఒక చిత్రాన్ని ఎంచుకుని, ఒక యాదృచ్ఛిక దశను ఎంచుకుని, సరిపోయే మొత్తంలో నాయిస్ కలిపి, కలిపిన నాయిస్ను అంచనా వేయమని నెట్వర్క్ను అడుగుతుంది. నమూనా తయారీ పూర్తి నాయిస్తో మొదలవుతుంది. 1,000 దశల్లో ప్రతిదానికీ నెట్వర్క్ నాయిస్ను అంచనా వేస్తుంది, శాంప్లర్ దాన్ని తీసివేస్తుంది, చివరి దశ మినహా కొత్త యాదృచ్ఛికత చిన్న మోతాదులో తిరిగి కలుపుతుంది.
నెట్వర్క్ ఒక U-Net, అంటే చిత్రాన్ని ముతక సారాంశానికి కుదించి మళ్లీ విస్తరించే చిత్ర మోడల్, 16 బై 16 రిజల్యూషన్లో సెల్ఫ్-అటెన్షన్ పొరలతో. దశ సంఖ్యను ట్రాన్స్ఫార్మర్ పత్రంలోని సైనుసోయిడల్ పొజిషన్ ఎంబెడ్డింగ్ ఉపయోగించి ఇస్తారు; పెద్ద భాషా మోడల్కు శిక్షణ ఎలా ఇస్తారులో వివరించిన భాషా మోడళ్ల వెనుక ఉన్న డిజైన్ కూడా అదే. CIFAR-10 మోడల్లో 35.7 మిలియన్ పారామీటర్లు ఉన్నాయి, అంటే నెట్వర్క్ లోపల సర్దుబాటు చేసే సంఖ్యలు; అది ఒక TPU v3-8లో 10.6 గంటల్లో పూర్తిగా శిక్షణ పొందింది, దాన్ని ఎనిమిది V100 GPUలతో రచయితలు పోలుస్తారు. 256 బై 256 చిత్రాల 128 బ్యాచ్ తయారు చేయడానికి 300 సెకన్లు పట్టింది.
వేగవంతమైన నమూనా తయారీ, అదే ఆలోచన ఒక సమీకరణంగా
వెయ్యి వరుస పాస్లు నెమ్మదిగా ఉంటాయి. జియామింగ్ సాంగ్, చెన్లిన్ మెంగ్, స్టెఫానో ఎర్మాన్ 2020 అక్టోబర్ 6 నాటి పత్రంలో దాన్ని కొలిచారు: Nvidia 2080 Ti గ్రాఫిక్స్ కార్డుపై DDPM నుంచి 32 బై 32 పిక్సెల్ల 50,000 చిత్రాల నమూనా తయారీకి సుమారు 20 గంటలు, చిత్రాన్ని ఒకే పాస్లో తయారు చేసే పాత జనరేటర్ రకమైన GANకి ఒక నిమిషం కంటే తక్కువ. 256 బై 256 చిత్రాలకు ఆ సంఖ్యను దాదాపు 1,000 గంటలుగా చెప్పారు.
వారి పరిష్కారం, డినాయిజింగ్ డిఫ్యూజన్ ఇంప్లిసిట్ మోడల్స్ లేదా DDIM, శిక్షణను యథాతథంగా ఉంచి, నమూనాలు తీసే పద్ధతిని మాత్రమే మారుస్తుంది. 1,000 దశల మోడళ్లతో పోల్చదగిన నమూనాలను 20 నుంచి 100 దశల్లో పొందామని, అంటే 10 నుంచి 50 రెట్లు వేగం పెరిగిందని రచయితలు నివేదిస్తారు, ఒక్కో నమూనాకు సమయం దశల సంఖ్యతో సరళ రేఖలో పెరుగుతుందని గమనిస్తారు.
ఏడు వారాల తర్వాత, 2020 నవంబర్ 26న, యాంగ్ సాంగ్, 2015 పత్రంలోని సోల్-డిక్స్టైన్తో సహా ఐదుగురు సహ రచయితలు ఆ ప్రక్రియను డేటా నుంచి నాయిస్కు నడిచే స్టోకాస్టిక్ డిఫరెన్షియల్ ఈక్వేషన్గా (యాదృచ్ఛిక కదలిక నిర్మితమైన సమీకరణం), నాయిస్ నుంచి డేటాకు తిరిగి నడిచే సరిపోలే రివర్స్ ఈక్వేషన్తో పునర్నిర్వచించారు. వారి మాటల్లో: “డేటా నుంచి నాయిస్ సృష్టించడం సులభం; నాయిస్ నుంచి డేటా సృష్టించడమే జనరేటివ్ మోడలింగ్.” ఆ చట్రం అంతకుముందటి స్కోర్-ఆధారిత, డిఫ్యూజన్ విధానాలను ఇముడ్చుకుంటుందని వారు రాశారు, స్కోర్-ఆధారిత మోడల్ నుంచి 1024 బై 1024 చిత్రాలను మొదటిసారి తయారు చేశామని నివేదించారు.
చిత్రం మాటలను అనుసరించేలా చేయడం
చిత్ర జనరేటర్ ప్రాంప్ట్ను అనుసరించాలి, దానికి డిఫ్యూజన్కు ఒక మార్గం అవసరమైంది. ముందటి పద్ధతి క్లాసిఫైయర్ గైడెన్స్, నమూనా తయారీని ఒక ప్రత్యేక చిత్ర క్లాసిఫైయర్తో నడిపిస్తుంది. జోనాథన్ హో, టిమ్ సాలిమన్స్ 2022 జూలై 26న పోస్ట్ చేసిన పత్రంలో (ఒక చిన్న వెర్షన్ NeurIPS 2021 వర్క్షాప్లో వచ్చింది) అది లేకుండా కూడా చేయవచ్చని చూపారు.
క్లాసిఫైయర్-ఫ్రీ గైడెన్స్లో ఒకే నెట్వర్క్కు ఒకేసారి రెండు పనులపై శిక్షణ ఇస్తారు. శిక్షణ ఉదాహరణల్లో కొంత భాగానికి లేబుల్ లేదా ప్రాంప్ట్ను యాదృచ్ఛికంగా ఖాళీ ప్లేస్హోల్డర్తో మారుస్తారు, అందువల్ల నెట్వర్క్ అది ఉన్నప్పుడు, లేనప్పుడు రెండింటిలోనూ నాయిస్ తొలగించడం నేర్చుకుంటుంది. నమూనా తయారీ సమయంలో రెండు అంచనాలను కలుపుతారు, ఫలితం ప్రాంప్ట్ వైపు ఎంత మొగ్గాలో w అనే బరువు నిర్ణయిస్తుంది. 64 బై 64 ImageNetపై రచయితలు షరతును 0.1, 0.2, 0.5 సంభావ్యతలతో వదిలేసి చూశారు, మిగతా రెండింటి కంటే 0.5 స్థిరంగా అధ్వాన్నమని కనుగొన్నారు. బరువును పెంచితే ప్రతి చిత్రం నాణ్యత పెరుగుతుంది, చిత్రాల మధ్య వైవిధ్యం తగ్గుతుంది.
ఈ పద్ధతికి సమయం ఖర్చవుతుంది. ప్రతి నమూనా దశకు నెట్వర్క్ గుండా రెండు పాస్లు కావాలి, ఒకటి ప్రాంప్ట్తో, ఒకటి లేకుండా; దాన్ని రచయితలు సాధ్యమైన ప్రతికూలతగా పేర్కొంటారు.
స్టేబుల్ డిఫ్యూజన్ ఈ పద్ధతిని వాడుతుంది. v1-4 మోడల్ కార్డు, తన శిక్షణ చివరి దశలో టెక్స్ట్ షరతును 10 శాతం సమయం వదిలేసిందని, “క్లాసిఫైయర్-ఫ్రీ గైడెన్స్ నమూనా తయారీని మెరుగుపరచడానికి” అని చెబుతుంది. హగ్గింగ్ ఫేస్ గైడ్ వినియోగదారుకు కనిపించే నియంత్రణను guidance_scaleగా ఇస్తుంది, డిఫాల్ట్ 7.5, 7 నుంచి 8.5 విలువలు సాధారణంగా మంచివని వర్ణిస్తుంది. చాలా పెద్ద విలువలు బాగా కనిపించవచ్చు కానీ తక్కువ వైవిధ్యం ఉన్న చిత్రాలనిస్తాయని అది హెచ్చరిస్తుంది.
చిన్న కాన్వాస్పై పని చేయడం
పిక్సెల్-స్పేస్ డిఫ్యూజన్ ఖరీదైనది. రాబిన్ రోంబాచ్, ఆండ్రియాస్ బ్లాట్మాన్, డొమినిక్ లోరెంజ్, పాట్రిక్ ఎస్సర్, బ్యోర్న్ ఒమ్మర్ తమ 2021 డిసెంబర్ 20 నాటి పత్రాన్ని, అత్యంత శక్తిమంతమైన డిఫ్యూజన్ మోడళ్లకు శిక్షణ ఇవ్వడానికి తరచుగా వందల GPU రోజులు పడతాయని చెబుతూ ఆరంభిస్తారు. ముందటి మోడల్కు 150 నుంచి 1,000 V100 రోజులు, అలాంటి మోడల్ నుంచి 50,000 నమూనాలు తయారు చేయడానికి ఒక A100పై సుమారు ఐదు రోజులు అని వారు ఉదహరిస్తారు.
వారి పరిష్కారం లేటెంట్ స్పేస్లో, అంటే చిత్రం యొక్క సంపీడిత సంఖ్యా సారాంశంలో డిఫ్యూజన్ నడపడం. ఒక చిత్రాన్ని కుదించి మళ్లీ విస్తరించే నెట్వర్క్ జంట అయిన ఆటోఎన్కోడర్కు ముందుగా శిక్షణ ఇస్తారు. తర్వాత డిఫ్యూజన్ ఆ చిన్న సారాంశంపై జరుగుతుంది, పూర్తయిన సారాంశాన్ని డీకోడర్ తిరిగి పిక్సెల్లుగా మారుస్తుంది. టెక్స్ట్ లేదా ఇతర ఇన్పుట్లు U-Netను నడిపించేలా రచయితలు క్రాస్-అటెన్షన్ పొరలను కూడా జోడించారు.
ఒకే NVIDIA A100పై, ImageNetలో అదే సంఖ్యలో పారామీటర్లతో 2 మిలియన్ దశల శిక్షణలో, పిక్సెల్ స్పేస్లో డిఫ్యూజన్కు, 8 సంపీడన కారకంతో డిఫ్యూజన్కు మధ్య 38 FID పాయింట్ల అంతరం ఉందని వారు కనుగొన్నారు. చిన్న కారకంలో ఫలితాలకు కారణం, కనిపించని వివరాల సంపీడనంలో ఎక్కువ భాగాన్ని డిఫ్యూజన్ మోడల్కే వదిలేయడమని పత్రం చెబుతుంది.
స్టేబుల్ డిఫ్యూజన్ 8 కారకాన్ని వాడుతుంది. మూడు రంగు చానెళ్లతో H ఎత్తు, W వెడల్పు ఉన్న చిత్రాన్ని నాలుగు చానెళ్లతో H/8 బై W/8 లేటెంట్గా అది మారుస్తుందని మోడల్ కార్డు చెబుతుంది. 512 బై 512 చిత్రానికి అది 64 బై 64 గ్రిడ్; హగ్గింగ్ ఫేస్ గైడ్ దాన్ని 8 x 8 = 64 ప్రాదేశిక సంపీడన నిష్పత్తి అంటుంది. సాధారణ భాగహారం ప్రకారం, చిత్రంలోని 786,432 సంఖ్యలు లేటెంట్లో 16,384 సంఖ్యలవుతాయి, అంటే నెట్వర్క్ ప్రతి దశలో చూసుకునే దానిలో 48 రెట్లు తగ్గుదల.
ప్రాంప్ట్ను CLIP (ViT-L/14 వెర్షన్) టెక్స్ట్ ఎన్కోడర్ సంఖ్యలుగా మారుస్తుంది; అది స్థిరమైనదని, ముందే శిక్షణ పొందినదని, అందువల్ల మిగతా భాగంతో కలిసి శిక్షణ పొందదని మోడల్ కార్డు చెబుతుంది. ఫలితాన్ని U-Net క్రాస్-అటెన్షన్ ద్వారా చదివే 77 బై 768 సంఖ్యల బ్లాక్గా హగ్గింగ్ ఫేస్ వర్ణిస్తుంది.
2022 ఆగస్టు 22న ఏం విడుదలైంది
స్టెబిలిటీ AI ప్రకటన హగ్గింగ్ ఫేస్లోని న్యాయ, నైతికత, సాంకేతిక బృందాలకు, క్లౌడ్ ప్రదాత కోర్వీవ్ ఇంజినీర్లకు క్రెడిట్ ఇస్తుంది. మోడల్ Creative ML OpenRAIL-M లైసెన్స్ కింద వచ్చింది; వాణిజ్య, వాణిజ్యేతర వినియోగాన్ని అనుమతిస్తూ, నైతిక, చట్టపరమైన వినియోగానికి వినియోగదారునే బాధ్యుడిని చేస్తూ, ఏ పంపిణీతోనైనా లైసెన్స్ కలిసి ఉండాలని కోరుతుందని కంపెనీ వర్ణిస్తుంది. అవాంఛిత ఫలితాలను తొలగించడానికి ఒక సేఫ్టీ క్లాసిఫైయర్ను డిఫాల్ట్గా చేర్చారు. సిఫార్సు చేసిన వెయిట్లు v1.4, NVIDIA చిప్లు సిఫార్సు చేయబడ్డాయని, AMD, Apple M1, M2 చిప్లకు మద్దతు రానుందని కంపెనీ చెప్పింది. కంపెనీ ప్రచురించిన పేజీ తేదీని సంవత్సరం లేకుండా “Aug 22”గా చూపిస్తుంది, అదే విడుదలపై హగ్గింగ్ ఫేస్ గైడ్లో తేదీ 2022 ఆగస్టు 22.
మోడల్ కార్డు రాబిన్ రోంబాచ్, పాట్రిక్ ఎస్సర్లను డెవలపర్లుగా పేర్కొంటుంది, స్టేబుల్ డిఫ్యూజన్ v1ను LAION-2B(en), దాని ఉపసమితులపై శిక్షణ ఇచ్చారని చెబుతుంది. 2022 అక్టోబర్ 16 నాటి LAION-5B పత్రం CLIPతో వడపోసిన 5.85 బిలియన్ చిత్ర-టెక్స్ట్ జతలను వర్ణిస్తుంది, వాటిలో 2.32 బిలియన్కు ఇంగ్లిష్ టెక్స్ట్ ఉంది. హార్డ్వేర్ కోసం కార్డు 32 x 8 A100 GPUలను జాబితా చేస్తుంది; ఉద్గారాల అంచనా కోసం, తూర్పు అమెరికాలోని ఒక అమెజాన్ వెబ్ సర్వీసెస్ ప్రాంతంలో A100 PCIe 40GB కార్డులపై 150,000 గంటలను జాబితా చేసి, దాన్ని 11,250 కిలోల CO2 సమానమని అంచనా వేస్తుంది. ఇవి కార్డు సొంత అంచనాలు.
ఆ దశలు ఆచరణలో ముఖ్యమైనవి. హగ్గింగ్ ఫేస్ గైడ్లో డిఫాల్ట్ 50 డినాయిజింగ్ దశలు; 15తో చేసిన రన్ మొత్తం నిర్మాణాన్ని అలాగే ఉంచింది కానీ వ్యోమగామి సూట్లో, గుర్రం ఆకారంలో సమస్యలు ఉన్నాయి.
మోడల్ కార్డు తాను చేయలేనని చెప్పేది
1.5, 2, 2.1 తర్వాతి వెర్షన్లు కనీస కోడ్ మార్పులతో నడుస్తాయని హగ్గింగ్ ఫేస్ గైడ్ చెబుతుంది. ఈ వ్యాసం v1-4ను, 2022 వరకు వచ్చిన పత్రాలను మాత్రమే వివరిస్తుంది. రోంబాచ్, ఎస్సర్ రాసిన v1-4 కార్డు ఈ వెర్షన్ పరిమితుల గురించి నిర్దిష్టంగా ఉంది. మోడల్ పరిపూర్ణ ఫోటోరియలిజం సాధించదు, స్పష్టంగా చదవగలిగే టెక్స్ట్ను రెండర్ చేయలేదు. “నీలి గోళంపై ఎర్ర క్యూబ్” వంటి కంపోజిషనల్ పనుల్లో బాగా పనిచేయదు, ముఖాలు, మనుషులు సరిగా తయారు కాకపోవచ్చు.
మోడల్ను ప్రధానంగా ఇంగ్లిష్ క్యాప్షన్లతో శిక్షణ ఇచ్చారని, ఇతర భాషల్లో తక్కువగా పనిచేస్తుందని, ఆటోఎన్కోడర్ నష్టంతో కూడినదని కార్డు చెబుతుంది. డేటాను డీడూప్లికేట్ చేయలేదని, అందువల్ల శిక్షణ సమితిలో చాలాసార్లు కనిపించే కొన్ని చిత్రాలు గుర్తుంచుకోబడ్డాయని కూడా నివేదిస్తుంది, తనిఖీ చేయడానికి ఒక పబ్లిక్ సెర్చ్ సాధనాన్ని సూచిస్తుంది. శిక్షణ సమితిలో వయోజన కంటెంట్ ఉందని, అదనపు భద్రతా యంత్రాంగాలు లేకుండా ఆ డేటాసెట్ ఉత్పత్తి వినియోగానికి తగదని కార్డు అంటుంది. అలాంటి డేటాపై శిక్షణ చట్టబద్ధమా అన్నది కోర్టుల్లో తేలుతోంది, AI శిక్షణపై 2026 మూడు తీర్పులు చూపినట్లు. దుర్వినియోగాల్లో వేరొకరిగా నటించడం, తప్పుడు సమాచారాన్ని కార్డు జాబితా చేస్తుంది; ఎన్నికల్లో AI నకిలీలపై నియమాలు FCC, EU, భారతదేశంపై ఈ పరిశీలనలో ఉన్నాయి.
2020 శాంప్లర్ తాను తయారు చేసిన ప్రతి చిత్రానికి 1,000 దశలు వాడింది. 2022 ఆగస్టు 22 నాటి హగ్గింగ్ ఫేస్ గైడ్ అధిక నాణ్యత 512 బై 512 చిత్రానికి 50 దశలు సాధారణంగా సరిపోతాయని అంటుంది.
మూలాలు మరియు మరింత చదవడానికి
- 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)
ఈ వ్యాసం AI సాధనాల సహాయంతో పరిశోధించి రాయబడింది మరియు కచ్చితత్వం కోసం సవరించబడింది. ఇది సాధారణ సమాచారం మరియు చర్చ కోసం మాత్రమే, వృత్తిపరమైన సలహా కాదు. మా సంపాదకీయ ప్రమాణాలు మరియు నిరాకరణ చూడండి. తప్పు కనిపించిందా? మాకు తెలియజేయండి.
నచ్చిందా? తదుపరిది పొందండి.
ఒకసారి ఒక మంచి వ్యాసం, నేరుగా మీ ఇన్బాక్స్కు. స్పామ్ లేదు, ఎప్పుడైనా ఆపవచ్చు.