推薦：使用 NSDT場景編輯器快速搭建3D應(yīng)用場景

世界被人工智能 （AI） 所吸引，尤其是自然語言處理 （NLP） 和生成 AI 的最新進(jìn)展，這是有充分理由的。這些突破性技術(shù)有可能提高各種任務(wù)的日常生產(chǎn)力。例如，GitHub Copilot幫助開發(fā)人員快速編寫整個算法，OtterPilot自動生成高管會議記錄，Mixo允許企業(yè)家快速啟動網(wǎng)站。

本文將簡要概述生成式 AI，包括相關(guān)的 AI 技術(shù)示例，然后通過生成式 AI 教程將理論付諸實踐，我們將使用 GPT 和擴(kuò)散模型創(chuàng)建藝術(shù)渲染。

作者的六張 AI 生成的圖像，使用本教程中的技術(shù)創(chuàng)建。

生成式 AI 的簡要概述

注意：熟悉生成式 AI 背后的技術(shù)概念的人可以跳過本節(jié)并繼續(xù)學(xué)習(xí)本教程。

2022 年，許多基礎(chǔ)模型實現(xiàn)進(jìn)入市場，加速了許多領(lǐng)域的人工智能進(jìn)步。在了解了幾個關(guān)鍵概念之后，我們可以更好地定義基礎(chǔ)模型：

• 人工智能是一個通用術(shù)語，描述任何可以智能地完成特定任務(wù)的軟件。
• 機(jī)器學(xué)習(xí)是人工智能的一個子集，它使用從數(shù)據(jù)中學(xué)習(xí)的算法。
• 神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一個子集，它使用以人腦為模型的分層節(jié)點。
• 深度神經(jīng)網(wǎng)絡(luò)是具有許多層和學(xué)習(xí)參數(shù)的神經(jīng)網(wǎng)絡(luò)。

基礎(chǔ)模型是在大量原始數(shù)據(jù)上訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)。在更實際的術(shù)語中，基礎(chǔ)模型是一種非常成功的人工智能類型，可以輕松適應(yīng)和完成各種任務(wù)?；A(chǔ)模型是生成式 AI 的核心：文本生成語言模型（如 GPT）和圖像生成擴(kuò)散模型都是基礎(chǔ)模型。

文本：自然語言處理模型

在生成式 AI 中，自然語言處理 （NLP） 模型經(jīng)過訓(xùn)練，可以生成讀起來好像由人類撰寫的文本。特別是，大型語言模型（LLM）與當(dāng)今的AI系統(tǒng)特別相關(guān)。LLM根據(jù)其對大量數(shù)據(jù)的使用進(jìn)行分類，可以識別和生成文本和其他內(nèi)容。

在實踐中，這些模型可以用作寫作甚至編碼助手。自然語言處理應(yīng)用程序包括簡單地重述復(fù)雜概念，翻譯文本，起草法律文件，甚至創(chuàng)建鍛煉計劃（盡管此類用途有一定的局限性）。

Lex 是具有許多功能的 NLP 寫作工具的一個例子：提出標(biāo)題、完成句子以及就給定主題撰寫整個段落。目前最容易識別的LLM是GPT。GPT 由 OpenAI 開發(fā)，可以在幾秒鐘內(nèi)以高精度響應(yīng)幾乎任何問題或命令。OpenAI的各種模型都可以通過單個API獲得。與 Lex 不同，GPT 可以處理代碼、根據(jù)功能需求對解決方案進(jìn)行編程以及識別代碼內(nèi)問題，從而使開發(fā)人員的生活更加輕松。

圖像：AI 擴(kuò)散模型

擴(kuò)散模型是一種深度神經(jīng)網(wǎng)絡(luò)，它包含潛在變量，能夠通過消除模糊（即噪聲）來學(xué)習(xí)給定圖像的結(jié)構(gòu)。在訓(xùn)練模型的網(wǎng)絡(luò)以“知道”圖像背后的概念抽象后，它可以創(chuàng)建該圖像的新變體。例如，通過消除貓圖像中的噪聲，擴(kuò)散模型“看到”貓的干凈圖像，了解貓的外觀，并應(yīng)用這些知識來創(chuàng)建新的貓圖像變體。

擴(kuò)散模型可用于去噪或銳化圖像（增強(qiáng)和完善它們），操縱面部表情或生成面部老化圖像，以暗示一個人隨著時間的推移可能會如何看待。您可以瀏覽 Lexica 搜索引擎，見證這些 AI 模型在生成新圖像方面的強(qiáng)大功能。

教程：擴(kuò)散模型和 GPT 實現(xiàn)

為了演示如何實現(xiàn)和使用這些技術(shù)，讓我們練習(xí)使用 HuggingFace 擴(kuò)散模型和 GPT 生成動漫風(fēng)格的圖像，這兩者都不需要任何復(fù)雜的基礎(chǔ)設(shè)施或軟件。我們將從一個現(xiàn)成的模型（即已經(jīng)創(chuàng)建和預(yù)先訓(xùn)練的模型）開始，我們只需要對其進(jìn)行微調(diào)。

注意：本文介紹了如何使用生成式 AI 圖像和語言模型以有趣的風(fēng)格創(chuàng)建自己的高質(zhì)量圖像。本文中的信息不應(yīng)（誤）用于違反 Google Colab 使用條款創(chuàng)建深度偽造。

設(shè)置和照片要求

要準(zhǔn)備本教程，請在以下位置注冊：

您還需要將 20 張自己的照片（甚至更多照片）保存在您計劃用于本教程的設(shè)備上，以提高性能。為獲得最佳效果，照片應(yīng)：

• 不小于 512 x 512 像素。
• 屬于你，也只屬于你。
• 具有相同的擴(kuò)展格式。
• 從各種角度拍攝。
• 至少包括三到五次全身鏡頭和兩到三次中身鏡頭;其余的應(yīng)該是面部照片。

也就是說，照片不需要完美——看看偏離這些要求如何影響輸出甚至?xí)苡袉l(fā)性。

使用擁抱人臉擴(kuò)散模型生成 AI 圖像

要開始使用，請打開本教程的配套 Google Colab 筆記本，其中包含所需的代碼。

1. 運(yùn)行單元格 1 將 Colab 與您的 Google 云端硬盤連接，以存儲模型并在以后保存其生成的圖像。
2. 運(yùn)行單元 2 以安裝所需的依賴項。
3. 運(yùn)行單元格 3 以下載擁抱面模型。
4. 在單元格 4 中，在字段中鍵入“我的外觀”，然后運(yùn)行該單元格。會話名稱通常標(biāo)識模型將學(xué)習(xí)的概念。Session_Name
5. 運(yùn)行單元格 5 并上傳您的照片。
6. 轉(zhuǎn)到單元格 6 以訓(xùn)練模型。通過在運(yùn)行單元之前選中該選項，可以多次重新訓(xùn)練它。（此步驟可能需要大約一個小時才能完成。Resume_Training
7. 最后，運(yùn)行單元格 7 以測試模型并查看其運(yùn)行情況。系統(tǒng)將輸出一個URL，您可以在其中找到生成圖像的界面。輸入提示后，按“生成”按鈕以渲染圖像。

   

有了工作模型，我們現(xiàn)在可以嘗試各種提示，產(chǎn)生不同的視覺風(fēng)格（例如，“我作為一個動畫角色”或“我作為一個印象派繪畫”）。但是，將 GPT 用于字符提示是最佳的，因為與用戶生成的提示相比，它可以產(chǎn)生更多細(xì)節(jié)，并最大限度地發(fā)揮模型的潛力。

使用 GPT 進(jìn)行有效擴(kuò)散模型提示

我們將通過 OpenAI 將 GPT 添加到我們的管道中，盡管 Cohere 和其他選項為我們的目的提供了類似的功能。首先，在 OpenAI 平臺上注冊并創(chuàng)建您的 API 密鑰。現(xiàn)在，在 Colab 筆記本的“生成良好的提示”部分，安裝 OpenAI 庫：

pip install openai

接下來，加載庫并設(shè)置 API 密鑰：

import openai
openai.api_key = "YOUR_API_KEY"

我們將從 GPT 生成優(yōu)化的提示，以動漫角色的風(fēng)格生成我們的圖像，替換為筆記本單元格 4 中設(shè)置的會話名稱“我的樣子”：YOUR_SESSION_NAME

ASKING_TO_GPT = 'Write a prompt to feed a diffusion model to generate beautiful images '\
                'of YOUR_SESSION_NAME styled as an anime character.' 
response = openai.Completion.create(model="text-davinci-003", prompt=ASKING_TO_GPT,
                                    temperature=0, max_tokens=1000)
print(response["choices"][0].text)

該參數(shù)的范圍介于 0 和 2 之間，它確定模型是應(yīng)嚴(yán)格遵守其訓(xùn)練的數(shù)據(jù)（值接近 0），還是對其輸出更具創(chuàng)造性（值接近 2）。該參數(shù)設(shè)置要返回的文本量，四個標(biāo)記相當(dāng)于大約一個英語單詞。temperaturemax_tokens

就我而言，GPT 模型輸出如下：

"Juan is styled as an anime character, with large, expressive eyes and a small, delicate mouth.
His hair is spiked up and back, and he wears a simple, yet stylish, outfit. He is the perfect
example of a hero, and he always manages to look his best, no matter the situation."

最后，通過將此文本作為輸入輸入到擴(kuò)散模型中，我們實現(xiàn)了最終輸出：

讓 GPT 編寫擴(kuò)散模型提示意味著您不必詳細(xì)考慮動漫角色外觀的細(xì)微差別——GPT 將為您生成適當(dāng)?shù)拿枋觥Ｄ梢噪S時根據(jù)口味進(jìn)一步調(diào)整提示。完成本教程后，您可以創(chuàng)建自己的復(fù)雜創(chuàng)意圖像或您想要的任何概念。

人工智能的優(yōu)勢觸手可及

GPT 和擴(kuò)散模型是兩個基本的現(xiàn)代 AI 實現(xiàn)。我們已經(jīng)看到了如何單獨應(yīng)用它們，并通過配對它們來乘以它們的功率，使用 GPT 輸出作為擴(kuò)散模型輸入。在此過程中，我們創(chuàng)建了一個由兩個大型語言模型組成的管道，這些模型能夠最大限度地提高它們自己的可用性。

原文鏈接：人工智能的優(yōu)勢：使用 GPT 和擴(kuò)散模型生成圖像 (mvrlink.com)文章來源地址http://www.zghlxwxcb.cn/news/detail-697286.html

到了這里，關(guān)于人工智能的優(yōu)勢：使用 GPT 和擴(kuò)散模型生成圖像的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！