ການປະຕິບັດລະບົບການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການສັງເຄາະຮູບພາບໂດຍອີງໃສ່ຄໍາອະທິບາຍຂໍ້ຄວາມ

ການປະຕິບັດແບບເປີດຂອງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ DALL-E 2, ສະເຫນີໂດຍ OpenAI, ໄດ້ຖືກຈັດພີມມາແລະອະນຸຍາດໃຫ້ທ່ານສາມາດສັງເຄາະຮູບພາບແລະຮູບແຕ້ມທີ່ແທ້ຈິງໂດຍອີງໃສ່ຄໍາອະທິບາຍຂໍ້ຄວາມໃນພາສາທໍາມະຊາດ, ເຊັ່ນດຽວກັນກັບນໍາໃຊ້ຄໍາສັ່ງໃນພາສາທໍາມະຊາດເພື່ອແກ້ໄຂຮູບພາບ ( ສໍາ​ລັບ​ຕົວ​ຢ່າງ​, ເພີ່ມ​, ລຶບ​ຫຼື​ຍ້າຍ​ວັດ​ຖຸ​ໃນ​ຮູບ​ພາບ​)​. ຮຸ່ນ DALL-E 2 ຕົ້ນສະບັບຂອງ OpenAI ບໍ່ໄດ້ຖືກເຜີຍແຜ່, ແຕ່ວ່າເອກະສານທີ່ລາຍລະອຽດວິທີການແມ່ນມີຢູ່. ອີງຕາມຄໍາອະທິບາຍທີ່ມີຢູ່ແລ້ວ, ນັກຄົ້ນຄວ້າເອກະລາດໄດ້ກະກຽມການປະຕິບັດທາງເລືອກທີ່ຂຽນໃນ Python, ໂດຍໃຊ້ກອບ Pytorg ແລະແຈກຢາຍພາຍໃຕ້ໃບອະນຸຍາດ MIT.

ເມື່ອປຽບທຽບກັບການຈັດຕັ້ງປະຕິບັດ DALL-E ລຸ້ນທຳອິດທີ່ໄດ້ພິມເຜີຍແຜ່ໃນເມື່ອກ່ອນ, ລຸ້ນໃໝ່ໃຫ້ຄວາມກົງກັນຂອງຮູບທີ່ຖືກຕ້ອງກວ່າກັບຄຳອະທິບາຍ, ຊ່ວຍໃຫ້ພາບຖ່າຍໄດ້ຫຼາຍຂື້ນ ແລະເຮັດໃຫ້ມັນສາມາດສ້າງພາບໃນຄວາມລະອຽດທີ່ສູງຂຶ້ນໄດ້. ລະບົບຕ້ອງການຊັບພະຍາກອນຂະຫນາດໃຫຍ່ເພື່ອຝຶກອົບຮົມຮູບແບບ; ປະມານ 2-100 ອາທິດຂອງການຄິດໄລ່ທີ່ມີ 200 NVIDIA Tesla V2 GPUs.

ຜູ້ຂຽນດຽວກັນຍັງໄດ້ເລີ່ມຕົ້ນການພັດທະນາສະບັບຂະຫຍາຍ - ວິດີໂອ DALLE2, ແນໃສ່ການສັງເຄາະວິດີໂອຈາກຄໍາອະທິບາຍຂໍ້ຄວາມ. ແຍກຕ່າງຫາກ, ພວກເຮົາສາມາດສັງເກດເຫັນໂຄງການ ru-dalle ທີ່ພັດທະນາໂດຍ Sberbank, ດ້ວຍການຈັດຕັ້ງປະຕິບັດແບບເປີດຂອງ DALL-E ຮຸ່ນທໍາອິດ, ດັດແປງສໍາລັບການຮັບຮູ້ຄໍາອະທິບາຍໃນພາສາລັດເຊຍ.

ແຫຼ່ງຂໍ້ມູນ: opennet.ru