Search Results ISO

Learning to build—Towards AI コミュニティニュースレター第1号

私たちは最新のニュースレターをお知らせすることをとても楽しみにしています！それは私たちの共同体についてのすべてですコラボレーションの機会、素晴らしい記事、投票など、興味深い情報をまとめて共有します

「Zero123++：一枚の画像から一貫したマルチビュー拡散ベースモデルへ」

この数年間、新たなAI生成モデルは性能、効率、生成力の面で急速に進化してきましたこれらのモデルは広範なデータセットと2D拡散生成手法を活用しており、2Dおよび一部の3Dメディアコンテンツ（テキスト、画像、ビデオなど）の様々な形式を生成する能力が非常に高いのです

マイクロソフトアジュール：クラウドコンピューティングの未来を支える

Microsoft Azureの現代のビジネスやテクノロジー環境への影響を発見してください主な特徴、利点、使用例を探索しましょう

「AIのための機会の議題」

今日は、できる限り多くの人々に利益をもたらすための具体的な政策提言を提供するためのAI機会アジェンダを共有しています

「Pythonによるロジスティック回帰のエラーのデバッグのベストプラクティス」

「ロジスティック回帰（LR）の基本についてはたくさんのことが書かれてきましたその多機能性や実績のあるパフォーマンス、基礎となる数学についてもしかし、LRを成功裏に実装し、デバッグする方法を知ることが重要です...」

クラスタリングアルゴリズムへの導入

クラスタリングアルゴリズムの完全な入門ガイド階層型、分割型、密度ベースのクラスタリングをカバーする10種類のクラスタリングアルゴリズムを扱います

「読んだものに関してのみ話すこと：LLM（Language Model）は事前学習データを超えて一般化できるのか？」

「インコンテキスト学習は、大規模言語モデルを成功させた秘密の一つであり、しかし今日でも多くの点が未解明ですこの信じられないほどの能力の限界は何なのでしょうか...」

潜在的一貫性モデル（LCM）は、ステーブルディフュージョン（またはSDXL）を使用してイメージを生成するために必要なステップ数を減らす方法です。オリジナルモデルを別のバージョンに蒸留し、元の25〜50ステップではなく4〜8ステップ（少ない）だけを必要とするようにします。蒸留は、新しいモデルを使用してソースモデルからの出力を再現しようとするトレーニング手順の一種です。蒸留されたモデルは、小さく設計される場合があります（これがDistilBERTや最近リリースされたDistil-Whisperの場合）または、この場合のように実行に必要なステップ数を減らします。これは通常、膨大な量のデータ、忍耐力、およびいくつかのGPUが必要な長時間かかる高コストのプロセスです。それが今日までの現状でした！私たちは、Stable DiffusionとSDXLを、まるでLCMプロセスを使用して蒸留されたかのように、速くする新しい方法を発表できることを喜ばしく思います！3090で7秒の代わりに約1秒、Macで10倍速くSDXLモデルを実行する、というのはどうですか？詳細は以下をご覧ください！目次メソッドの概要なぜこれが重要なのか SDXL LCM LoRAsによる高速推論品質の比較ガイダンススケールとネガティブプロンプト品質 vs. ベースのSDXL 他のモデルとのLCM LoRAs フルディフューザーズの統合ベンチマーク今日リリースされたLCM LoRAsとモデルボーナス：通常のSDXL LoRAsとの組み合わせ LCM…

DLノート：勾配降下法

人工ニューラルネットワーク（ANN）は、万能関数近似器です十分なデータが与えられ、適切なアーキテクチャがあり、十分な訓練が行われれば、複雑な関数を近似することができます...

Learn more about Search Results ISO - Page 10