Generative AI with Diffusion ModelsGAIDMNVNvidiaNV-GAIDM1.0<ul>
<li>Aufbau eines U-Netzes zur Erzeugung von Bildern aus reinem Rauschen</li><li>Verbessern Sie die Qualität der erzeugten Bilder mit dem Denoising-Diffusionsverfahren</li><li>Steuerung der Bildausgabe mit Kontexteinbettungen</li><li>Generierung von Bildern aus englischen Textaufforderungen mit Hilfe des neuronalen Netzes "Contrastive Language-Image Pretraining" (CLIP)</li></ul><ul>
<li>Ein grundlegendes Verständnis von Deep-Learning-Konzepten.</li><li>Vertrautheit mit einem Deep Learning Framework wie TensorFlow, PyTorch oder Keras. Dieser Kurs verwendet PyTorch.</li></ul><p><strong>Vom U-Netz zur Diffusion</strong>
</p>
<ul>
<li>Aufbau einer U-Net-Architektur.</li><li>Trainieren Sie ein Modell, um Rauschen aus einem Bild zu entfernen.</li></ul><p><strong>Diffusionsmodelle</strong>
</p>
<ul>
<li>Definieren Sie die Vorwärtsdiffusionsfunktion.</li><li>Aktualisierung der U-Net-Architektur, um einen Zeitschritt zu ermöglichen.</li><li>Definieren Sie eine umgekehrte Diffusionsfunktion.</li></ul><p><strong>Optimierungen</strong>
</p>
<ul>
<li>Implementieren Sie die Gruppennormalisierung.</li><li>GELU umsetzen.</li><li>Implementieren Sie Rearrange Pooling.</li><li>Implementieren von sinusförmigen Positionseinbettungen.</li></ul><p><strong>Klassifikator-freie Diffusionsführung</strong>
</p>
<ul>
<li>Hinzufügen kategorischer Einbettungen zu einem U-Netz.</li><li>Trainieren Sie ein Modell mit einer Bernoulli-Maske.</li></ul><p><strong></strong>CLIP
</p>
<ul>
<li>Erfahren Sie, wie Sie CLIP Encodings verwenden.</li><li>Verwenden Sie CLIP, um ein neuronales Text-Bild-Netzwerk zu erstellen.</li></ul><p><em>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class="cms-link-marked"><a class="fl-href-prod" href="/swisscom/en/course/nvidia-gaidm"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a></span>.</em></p>- Aufbau eines U-Netzes zur Erzeugung von Bildern aus reinem Rauschen
- Verbessern Sie die Qualität der erzeugten Bilder mit dem Denoising-Diffusionsverfahren
- Steuerung der Bildausgabe mit Kontexteinbettungen
- Generierung von Bildern aus englischen Textaufforderungen mit Hilfe des neuronalen Netzes "Contrastive Language-Image Pretraining" (CLIP)- Ein grundlegendes Verständnis von Deep-Learning-Konzepten.
- Vertrautheit mit einem Deep Learning Framework wie TensorFlow, PyTorch oder Keras. Dieser Kurs verwendet PyTorch.Vom U-Netz zur Diffusion
- Aufbau einer U-Net-Architektur.
- Trainieren Sie ein Modell, um Rauschen aus einem Bild zu entfernen.
Diffusionsmodelle
- Definieren Sie die Vorwärtsdiffusionsfunktion.
- Aktualisierung der U-Net-Architektur, um einen Zeitschritt zu ermöglichen.
- Definieren Sie eine umgekehrte Diffusionsfunktion.
Optimierungen
- Implementieren Sie die Gruppennormalisierung.
- GELU umsetzen.
- Implementieren Sie Rearrange Pooling.
- Implementieren von sinusförmigen Positionseinbettungen.
Klassifikator-freie Diffusionsführung
- Hinzufügen kategorischer Einbettungen zu einem U-Netz.
- Trainieren Sie ein Modell mit einer Bernoulli-Maske.
CLIP
- Erfahren Sie, wie Sie CLIP Encodings verwenden.
- Verwenden Sie CLIP, um ein neuronales Text-Bild-Netzwerk zu erstellen.Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag500.00500.00500.00500.00500.00420.00500.00690.00