HarmonyFidelisHarmonyFidelis
Войти
К содержанию
AURA
Изучить ИИНастроить ИИПубличные программы
Изучить ИИ

Первые понятия

ОбучениеИнференс

Механизмы

ПредставленияКонтекст и памятьАрхитектурыДиффузия

Передовые исследования

Рассуждение и агентыМодели мираAGI и ASIОценка

Каждый раздел можно изучать независимо. Подробности доступны в любой момент.

Главная Aura
AuraПонять ИИДиффузия

Генерация удалением шума

Различайте зашумление при обучении и пошаговую генерацию.

ГлавноеЭкспериментПодробнее
Научные источники
Определение

В DDPM прямой процесс постепенно добавляет шум к данным. Сеть учится получать информацию для обращения этого процесса. Выборка начинается с шума и последовательным удалением шума создаёт новый пример.

Формула

xₜ = √ᾱₜ x₀ + √(1 − ᾱₜ) ε, ε ∼ N(0,I)

x₀ — данные, ε — гауссовский шум, ᾱₜ — произведение коэффициентов сохранения до t. Формула описывает прямой процесс DDPM, а не все генеративные варианты.

Допущения и обозначения

x₀ — данные, ε — гауссовский шум, ᾱₜ — произведение коэффициентов сохранения до t. Формула описывает прямой процесс DDPM, а не все генеративные варианты.

Ограничения интерпретации

Сеть, цель и расписание выборки — разные решения. Данные и вычисления тоже влияют на качество. Процесс не обязательно восстанавливает запомненное исходное изображение.

Сравнивать на одном уровне

Архитектура
Transformer · Рекуррентная сеть
Метод обучения / генерации
С учителем · самообучение · подкрепление · диффузия
Система обучения и принятия решений
DreamerV3 · MuZero

На этой странице

ОпределениеФормулаДопущения и обозначенияОграничения интерпретацииНаучные источники
Главное
От понятия к практикеПрименить на практике

Научные источники

  • Ho, Jain & Abbeel · 2020Denoising Diffusion Probabilistic Models
    Первичная публикация

Учебное изложение указанных источников. Результаты публикаций ограничены их задачами, протоколами и ресурсами.

Изучить такжеРассуждение и агентыИнференс

Поиск Aura

18 результатов

Изучить ИИОбучить модель, затем использовать еёОтделяйте выученные параметры от информации текущего запроса.
Изучить ИИОт контекста к следующему токенуРазличайте вероятности модели и правило выбора результата.
Изучить ИИОт текста к представлениямПонимайте векторы, не приравнивая их к человеческому смыслу.
Изучить ИИО какой памяти идёт речь?Разделяйте контекст, рекуррентное состояние, параметры и постоянное хранилище.
Изучить ИИTransformers: механизм вниманияСравнивайте архитектуры, методы и полные системы на подходящем уровне.
Изучить ИИГенерация удалением шумаРазличайте зашумление при обучении и пошаговую генерацию.
Изучить ИИОт модели к действующей системеПоймите исполнительную среду вокруг модели и инструментов.
Изучить ИИПредсказывать, чтобы выбирать действиеИсследуйте длинный горизонт и риск неверного прогноза.
Изучить ИИОпределения вместо единого вердиктаИзучите общность, результативность и адаптацию до применения ярлыка.
Изучить ИИЧто позволяет заключить результатПереходите от убедительного впечатления к воспроизводимому сравнению.
Настроить ИИПодготовить проект ChatGPTЧёткая цель, нужный контекст и инструкции для практического использования.
Настроить ИИВыбрать под вашу задачуНачните с потребностей. Сравните доступ и результаты без универсального рейтинга моделей.
Настроить ИИСделать запрос проверяемымПреобразуйте намерение в цель, контекст и критерии успеха.
Настроить ИИРазместить информацию правильноРазличайте правила работы, материалы задачи и память, которой управляет продукт.
Настроить ИИПодготовить среду разработкиОпределите роль модели, возможности среды и необходимые права доступа.
Настроить ИИСоставить процесс разработкиОрганизуйте подготовку, изменения, проверку и отчёт. Повторно используйте полезные шаги.
Настроить ИИПодготовить задачу и проверить результатВоспроизводимый пример, список проверок и запись наблюдений.
Публичные программыTentacularПублично представленные задачи, функции и материалы.