HarmonyFidelisHarmonyFidelis
Entrar
Ir ao conteúdo
AURA
AprenderConfigurarProgramas públicos
Aprender

Primeiros conceitos

AprendizagemInferência

Mecanismos

RepresentaçõesContexto e memóriaArquiteturasDifusão

Pesquisa avançada

Raciocínio e agentesModelos do mundoAGI e ASIAvaliação

Explore cada espaço livremente. Os detalhes estão sempre acessíveis.

Início do Aura
AuraEntender a IADifusão

Gerar removendo ruído

Distinga corrupção durante a aprendizagem e geração progressiva.

O essencialExperimentarAprofundar
Fontes científicas
Definição

No DDPM, um processo direto acrescenta ruído aos dados gradualmente. Uma rede aprende informações para inverter essa corrupção. A amostragem começa com ruído e aplica etapas de remoção para gerar um novo exemplo.

Equação

xₜ = √ᾱₜ x₀ + √(1 − ᾱₜ) ε, ε ∼ N(0,I)

x₀ são os dados, ε ruído gaussiano e ᾱₜ o produto dos fatores de retenção até t. A equação descreve a corrupção direta DDPM, não todas as variantes generativas.

Hipóteses e notação

x₀ são os dados, ε ruído gaussiano e ᾱₜ o produto dos fatores de retenção até t. A equação descreve a corrupção direta DDPM, não todas as variantes generativas.

Limites da interpretação

Rede, objetivo e cronograma de amostragem são escolhas distintas. Dados e computação também afetam a qualidade. O processo não recupera necessariamente uma imagem original memorizada.

Comparar os níveis corretos

Arquitetura
Transformer · Rede recorrente
Método de aprendizagem / geração
Supervisionado · autossupervisionado · reforço · difusão
Sistema de aprendizagem e decisão
DreamerV3 · MuZero

Nesta página

DefiniçãoEquaçãoHipóteses e notaçãoLimites da interpretaçãoFontes científicas
O essencial
Do conceito à práticaColocar em prática

Fontes científicas

  • Ho, Jain & Abbeel · 2020Denoising Diffusion Probabilistic Models
    Publicação original

Síntese didática das fontes citadas. Os resultados dependem das tarefas, protocolos e recursos de cada publicação.

Explore tambémRaciocínio e agentesInferência

Buscar Aura

18 resultados

AprenderAprender e depois usar um modeloSepare parâmetros aprendidos das informações fornecidas em uma solicitação.
AprenderDo contexto ao próximo tokenDiferencie probabilidades do modelo e regra de escolha da saída.
AprenderDo texto às representaçõesEntenda vetores sem equipará-los ao significado humano.
AprenderDe qual memória estamos falando?Separe contexto, estado recorrente, parâmetros e armazenamento persistente.
AprenderTransformers: entender a atençãoCompare arquiteturas, métodos e sistemas completos no nível correto.
AprenderGerar removendo ruídoDistinga corrupção durante a aprendizagem e geração progressiva.
AprenderDo modelo ao sistema que ageEntenda o ambiente de execução em torno do modelo e das ferramentas.
AprenderPrever para escolher uma açãoExplore horizontes longos e o risco de previsões incorretas.
AprenderDefinições, não um veredito únicoExamine generalidade, desempenho e adaptação antes de usar um rótulo.
AprenderO que um resultado permite concluirPasse de uma impressão convincente para uma comparação reproduzível.
ConfigurarPreparar um projeto ChatGPTUm objetivo claro, contexto útil e instruções que você pode usar.
ConfigurarEscolher para sua tarefaComece pela sua necessidade. Compare acessos e resultados, sem classificações universais de modelos.
ConfigurarTornar seu pedido verificávelTransforme uma intenção em objetivo, contexto e critérios de sucesso.
ConfigurarColocar a informação no lugar certoDiferencie regras de trabalho, recursos da tarefa e memória gerenciada pelo produto.
ConfigurarPreparar um ambiente de desenvolvimentoDefina o papel do modelo, as capacidades do ambiente e os acessos necessários.
ConfigurarCompor um procedimento de desenvolvimentoOrganize preparação, alterações, verificação e relato. Reutilize as etapas úteis.
ConfigurarPreparar uma missão e verificar o resultadoUm exemplo reproduzível, uma lista de verificação e um registro das suas observações.
Programas públicosTentacularUsos, funções e recursos disponíveis publicamente.