በፅሁፍ መግለጫ ላይ ተመስርቶ ምስልን ለማዋሃድ የማሽን መማሪያ ስርዓትን ተግባራዊ ማድረግ

በOpenAI የቀረበው የማሽን መማሪያ ስርዓት DALL-E 2 ክፍት ትግበራ ታትሟል እና በተፈጥሮ ቋንቋ የፅሁፍ መግለጫ ላይ በመመስረት እውነተኛ ምስሎችን እና ስዕሎችን እንዲያዋህዱ እና ምስሎችን ለማረም በተፈጥሮ ቋንቋ ትዕዛዞችን እንዲተገበሩ ያስችልዎታል። ለምሳሌ በምስሉ ውስጥ ያሉትን ነገሮች ማከል, መሰረዝ ወይም ማንቀሳቀስ). የOpenAI ኦሪጅናል DALL-E 2 ሞዴሎች አልታተሙም፣ ነገር ግን ዘዴውን የሚገልጽ ወረቀት አለ። አሁን ባለው መግለጫ ላይ በመመስረት፣ ገለልተኛ ተመራማሪዎች የፒቶርች ማዕቀፍን በመጠቀም እና በ MIT ፈቃድ ተሰራጭተው በፓይዘን የተጻፈ አማራጭ ትግበራ አዘጋጅተዋል።

ቀደም ሲል ከታተመው የ DALL-E የመጀመሪያ ትውልድ አተገባበር ጋር ሲነፃፀር አዲሱ እትም ምስሉን ከማብራሪያው ጋር ይበልጥ ትክክለኛ የሆነ ግጥሚያ ያቀርባል, ለበለጠ የፎቶሪአዊነት እና በከፍተኛ ጥራቶች ምስሎችን ለመፍጠር ያስችላል. ስርዓቱ ሞዴሉን ለማሰልጠን ትልቅ ግብዓቶችን ይፈልጋል፡ ለምሳሌ የDALL-E 2 ኦርጅናሉን ማሰልጠን በጂፒዩ ላይ ከ100-200ሺህ ሰአታት ማስላት ይጠይቃል። ከ2-4 ሳምንታት ስሌት ከ256 NVIDIA Tesla V100 GPUs ጋር።

ተመሳሳዩ ደራሲ የተራዘመውን ስሪት - DALLE2 ቪዲዮን ከጽሑፍ መግለጫ ቪዲዮን ለማዋሃድ ያለመ። በተናጥል ፣ በሩሲያኛ መግለጫዎችን ለመለየት የተስተካከለ የመጀመሪያው ትውልድ DALL-E ክፍት ትግበራ በ Sberbank የተገነባውን የሩ-ዳሌ ፕሮጀክት ልብ ማለት እንችላለን።

ምንጭ: opennet.ru