iT邦幫忙

深度學習相關文章
共有 128 則文章
鐵人賽 AI & Data DAY 30

技術 [Day 30] 摘要 Imagen paper 重點、結語與未竟之處

終於來到鐵人賽的最後一天~ 即便是最後一天也不能鬆懈(?),今天的文章將會簡單摘要 Google 提出的文字生成影像模型 Imagen 有哪些值得注意的重點,最...

鐵人賽 AI & Data DAY 29

技術 [Day 29] 淺談 DALL·E 2 的原理

昨天簡單的介紹了 Stable Diffusion,它是目前最先進的條件式影像生成模型其中之一,而今天的文章則要介紹另一個也被認為是最先進的文字生成影像模型,也...

鐵人賽 AI & Data DAY 30

技術 [Day30]:評估生成模型優劣指標—IS & KID & FID

前言 這系列的文章我分享過了很多建立生成模型的辦法,但依然很難去從訓練過程看到圖片生成的品質如何,所以今天要繼續分享一些評分標準,讓各位可以比較好的幫生成模型評...

鐵人賽 AI & Data DAY 29

技術 [Day29]:評估生成模型優劣指標—LPIPS & PSNR & SSIM

前言 今天要來介紹一些可以評估生成模型生成圖片其品質的一些指標,要將人的美感、感知等換成數學公式非常困難。所以不只生成模型在進步,許多評估指標也都在慢慢進步。今...

鐵人賽 AI & Data DAY 22

技術 [Day 22] 各式各樣的 AI 文字生圖服務 - Midjourney、Stable Diffusion、DALL·E、Bing Image Creator、Imagen

關於幾個經典的圖像生成模型的介紹終於告一個段落了!接下來的內容,會開始介紹基於圖像生成 AI 模型的服務~並且盡可能實際使用並比較它們的產生影像的效果 所謂文字...

鐵人賽 AI & Data DAY 21

技術 [Day 21] Diffusion Model 的數學原理(三)

今天又是充滿數學的一天啊 還記得在 [Day 19] Diffusion Model 的數學原理(一)的最後,我們得出了 diffusion model 的學習...

鐵人賽 AI & Data DAY 27

技術 [Day27]:用DDIM來生成超高質量的圖吧!

前言 歷經了前兩天的數學轟炸,希望各位有藉此更加了解擴散模型的原理,今天我們就要來實作DDIM啦,這次使用的程式碼是由Keras 官網上改寫而來的,不過資料集的...

鐵人賽 AI & Data DAY 20

技術 [Day 20] Diffusion Model 的數學原理(二)

在 [Day 18] 淺談 Diffusion Model 的演算法我們留下了兩個疑問: 為什麼在加 noise 的過程(forward process)中,...

鐵人賽 AI & Data DAY 19

技術 [Day 19] Diffusion Model 的數學原理(一)

今天的內容主要會介紹 diffusion model 學習目標的數學形式,和之前介紹的 VAE 與 flow-based model 一樣,diffusion...

鐵人賽 AI & Data DAY 18

技術 [Day 18] 淺談 Diffusion Model 的演算法

在昨天的文章中已經以比較科普的方式介紹了 diffusion model 的大略架構和運作方式(可以簡化成下面這張圖),但其實這樣的介紹只是便於理解而不夠精確的...

鐵人賽 AI & Data DAY 24

技術 [Day24]:還有甚麼GAN可以用?

前言 我們從第10天陸續介紹了許多GAN模型,這些模型都能夠生成圖片,也都各有優缺點。雖然每個GAN的應用都不一樣,也礙於篇幅無法介紹所有的GAN模型給各位,所...

鐵人賽 AI & Data DAY 17

技術 [Day 17] 簡介 Diffusion Model

關於圖像生成模型,先前已經介紹過 GAN、VAE 和 flow-based model,而從今天開始要介紹的是第四種模型 diffusion model(DM)...

鐵人賽 AI & Data DAY 23

技術 [Day23]:想把圖片轉高清圖?使用SRGAN吧

前言 今天要來介紹SRGAN啦,這是一個可以把低解析度轉成高解析度圖片的應用,相信它一定非常實用吧,今天就來看看要如何建立SRGAN啦! 建立SRGAN模型 S...

鐵人賽 AI & Data DAY 16

技術 [Day 16] Glow: 改良的 flow-based model

早期提出的經典的 flow-based model 包括 NICE(NICE: Non-linear Independent Components Estima...

鐵人賽 AI & Data DAY 22

技術 [Day22]:SRGAN 原理介紹

前言 昨天使用了Pix2Pix來修復圖像,不知道各位的Pix2Pix有沒有得到好的成果,同時也希望各位可以試試看將Pix2Pix應用在其他影像處理的任務中。今天...

鐵人賽 AI & Data DAY 15

技術 [Day 15] flow-based model 的數學原理(二)

接續昨天的文章,今天要介紹的是 flow-based model 如何估計真實影像的機率分布,而這部分內容會用到一些線性代數和微積分的概念或定理,還不瞭解的話可...

鐵人賽 AI & Data DAY 9

技術 【Day 9】深度神經網路 DNN

前言 我們知道神經網路是由許多的神經元所組成,昨天提到了ANN神經網路,其實典型的神經網路都是由好幾層 ( 線性層 ) 連接起來的,層與層之間能夠實現線性 (...

鐵人賽 AI & Data DAY 14

技術 [Day 14] Flow-based model 的數學原理(一)

接下來要介紹的是 flow-based model 的數學原理,今天首先會需要介紹到相關的數學概念與定理 關於 flow-based model 的原理,我也還...

鐵人賽 AI & Data DAY 20

技術 [Day20]:Pix2Pix 原理介紹

前言 昨天帶各位實作了CGAN,這是基於條件式的生成對抗網路。今天要來介紹的是在2016年底提出的Pix2Pix模型,他雖然名字裡面沒有GAN,但模型架構卻也包...

鐵人賽 AI & Data DAY 13

技術 [Day 13] 簡介 flow-based model 以及試玩人臉影像合成

在介紹完 GAN 和 VAE 後,今天開始要進入到第三種生成式模型-flow-based model 在為了瞭解 flow-based model 參考了一些課...

鐵人賽 AI & Data DAY 12

技術 [Day 12] VAE 的變形們 - β-VAE 和 DFC-VAE

今天繼續延伸 VAE 的主題,會分別介紹兩個基於 VAE 改良的變形:β-VAE 和 DFC-VAE。這兩種變形改良的方向和帶來的效果都不太一樣,讓我們繼續看下...

鐵人賽 AI & Data DAY 11

技術 [Day 11] 還有這招?結合 VAE 和 GAN 的 VAE-GAN!

昨天經歷了數學的摧殘(?)以後,今天來點輕鬆一點的內容吧~ 截至目前的文章已經介紹了 GAN 和 VAE 兩種類型的圖像生成模型。其實,我們還可以進一步結合兩...

鐵人賽 AI & Data DAY 4

技術 Day4 奇獸圖鑑-機器學習的種類

進到AI世界的第四天,經過歷史老師和地理老師摧殘後,終於輪到生物老師來教學啦! 但是你看了一下黑板上的描畫,有的由一堆相連的圈圈組成,像一串葡萄,有些又像是高聳...

鐵人賽 AI & Data DAY 10

技術 [Day 10] 關於 VAE 的原理 - 數學上的推導

接下來要進入到 VAE 的重頭戲,數學原理的解釋與推導 其實從前兩天的文章應該已經能瞭解 VAE 如何運作、有什麼特點,如果真的很排斥數學,好像可以先左轉離開(...

鐵人賽 AI & Data DAY 9

技術 [Day 9] 關於 VAE 的原理 - 直觀的解釋

接續前一天的文~在 [Day 8] 簡介 variational auto-encoder (VAE) 有提到,我們可以在 VAE 學出來的 code spac...

鐵人賽 AI & Data DAY 2

技術 Day2 不要以為勇者不用學歷史-簡述AI的發展

你已經想像著自己意氣風發拿著劍砍下怪獸頭顱的模樣了嗎?且慢且慢,我們還在新手村哪! 手上沒有劍,腦子也空空的,這樣就算怪獸看見了都懶得吃你啊~ 歷史老師已經在敲...

鐵人賽 AI & Data DAY 8

技術 [Day 8] 簡介 variational auto-encoder (VAE)

今天終於要開始介紹另一個生成模型了!那就是 variational auto-encoder,簡稱 VAE 不過在開始解釋 VAE 是什麼之前,先來說明一下 a...

鐵人賽 AI & Data DAY 7

技術 [Day 7] 訓練 GAN 的一些技巧

今天的文章應該是最後一篇與 GAN 有關的介紹~ 關於 GAN 的研究主題實在非常多,也持續跟隨著深度學習領域的突破而演進,很難在幾篇文章中涵蓋所有的內容(就算...

鐵人賽 AI & Data DAY 6

技術 [Day 6] 如何評估 GAN 生成影像的表現?

前幾天談的都是 GAN 生成影像的原理,那當我們訓練出 GAN 以後,要如何評估模型產生影像的表現並和其他生成模型比較呢? 人工判斷也許是最快能想到的方法。早期...

鐵人賽 AI & Data DAY 5

技術 [Day 5] Wasserstein GAN - 改善原始 GAN 難以收斂的問題

如同昨天文章的內容提到的,利用一個二元分類器作為 discriminator 和 generator 對抗,期望 generator 最終能學會產生近乎真實的影...