Search Results こちらの

「Würstchenの紹介：画像生成のための高速拡散」

Würstchenとは何ですか？ Würstchenは、テキスト条件付きの成分が画像の高度に圧縮された擬似モデルです。なぜこれが重要なのでしょうか？データの圧縮により、トレーニングと推論の両方の計算コストを桁違いに削減することができます。1024×1024の画像でのトレーニングは、32×32の画像でのトレーニングよりも遥かに高価です。通常、他の研究では比較的小規模な圧縮（4倍から8倍の空間圧縮）を使用しますが、Würstchenはこれを極限まで高めました。新しいデザインにより、42倍の空間圧縮を実現しました！これは以前には見られなかったものです。なぜなら、一般的な手法では16倍の空間圧縮後に詳細な画像を忠実に再構築することができないからです。Würstchenは2段階の圧縮、ステージAとステージBを採用しています。ステージAはVQGANであり、ステージBはディフュージョンオートエンコーダーです（詳細は論文を参照）。ステージAとBはデコーダーと呼ばれ、圧縮された画像をピクセル空間に戻します。高度に圧縮された潜在空間で学習される第3のモデル、ステージCも存在します。このトレーニングでは、現在の最高性能モデルに比べてずっと少ない計算リソースが必要であり、より安価で高速な推論が可能です。ステージCを事前モデルと呼んでいます。なぜ別のテキストから画像へのモデルが必要なのですか？それは非常に高速かつ効率的です。Würstchenの最大の利点は、Stable Diffusion XLなどのモデルよりもはるかに高速に画像を生成でき、メモリの使用量も少ないことです！A100が手元にない私たち全員にとって、これは便利なツールです。以下は、異なるバッチサイズでのSDXLとの比較です：さらに、Würstchenの大幅な利点として、トレーニングコストの削減があります。512×512で動作するWürstchen v1は、わずか9,000時間のGPUでトレーニングされました。これを、Stable Diffusion 1.4に費やされた150,000時間のGPUと比較すると、コストが16倍も削減されていることがわかります。これにより、研究者が新しい実験を行う際にだけでなく、より多くの組織がこのようなモデルのトレーニングを行うことができるようになります。Würstchen v2は24,602時間のGPUを使用しました。解像度が1536まで上がっても、これはSD1.4の6倍安価です。SD1.4は512×512でのみトレーニングされました。詳しい説明ビデオは次のリンクでご覧いただけます： Würstchenの使用方法こちらのデモを使用して試すこともできます：または、モデルはDiffusersライブラリを介して利用可能なため、既に慣れているインターフェースを使用することができます。例えば、AutoPipelineを使用して推論を実行する方法は次のとおりです： import torch from diffusers import AutoPipelineForText2Image from diffusers.pipelines.wuerstchen import…

「ランバード効果と聴覚障害への役立ち方」

「要約：ロンバード効果は、音声変換やテキスト読み上げに応用することで、合成音声を騒音下でもより理解しやすくすることができます騒音の中でなぜ私たちは大きな声で話す傾向があるのか、気になったことはありますか...」

「AIを使ってGmailの受信トレイをクリアする方法」

あなたはGmailの受信トレイでメールの山を探検するのに疲れていますか？ニュースレターやプロモーション、スパムに溺れている自分を見つけますか？それでは、あなたは一人ではありません。メールの過負荷は私たちのデジタル時代における共通の問題です。そして、AIのおかげで、メールがあふれる問題に完璧な解決策があります。AIを使ってGmailの受信トレイを整理する方法を学びましょう！ Gmailの受信トレイを整理するためのトップ5のAIツールこれらのAIパワードツールは、Gmailの受信トレイを取り戻すために必要な方にとって非常に価値のあるものです。メールのクリーンアップ、整理、優先順位付けを自動化することで、ユーザーは生産性を保ち、重要なことに集中することができます。混雑した受信トレイに対処しているか、単にメールの管理を効率化したい場合でも、これらのトップ5のAIツールはあなたをサポートします。 Clean.email Clean.emailは、メールの受信トレイを簡単にクリーンアップし管理するための強力なツールと機能を提供しています。Clean.emailがあなたにできることを詳しく見てみましょう：主な特徴メールのバンドル： Clean.emailは、送信者、件名、またはラベルなどの共通の特徴に基づいてメールを知的にバンドルすることができます。これらのバンドルされたメールは、便利にゴミ箱に移動したり一緒にアーカイブしたりすることができます。これにより、受信トレイが整理され、シンプルになります。ニュースレターの管理：邪魔なニュースレターが受信トレイを詰まらせているのにうんざりしていますか？Clean.emailを使用すると、ニュースレターの購読を解除したり一時停止したりすることができます。また、ニュースレターの最新バージョンのみを保持することも選択できますので、受信トレイを新鮮で関連性のある状態に保つことができます。クイッククリーン：メールを迅速にクリアしたいですか？クイッククリーン機能は、ソーシャル通知や指定期間より古いメッセージ（例：3年以上前のメール）など、一般的にクリーンアップされるメールを対象にしており、簡単に整理するのに役立ちます。スマートビュー： Clean.emailはスマートビューを使用してメールを知的に整理します。類似した種類のメールは一緒にグループ化され、受信トレイのナビゲーションが簡素化され、重要なことに集中しやすくなります。広範なメールプロバイダのサポート： Gmail、Yahoo、AOL、iCloud、Outlook、およびIMAPを使用している他のメールサービス。このツールを使ってGmailの受信トレイをクリーニングしてみましょう。 Mailsorm このAIメールクリーナーは、メールの管理を簡素化する堅牢なメールクリーンアップツールです。主な特徴メールのバンドル： Mailsormは、関連するメールを特定し、それらを一緒にバンドルすることに優れています。この機能により、関連するメールをグループとして管理できるため、一括でアクションを実行しやすくなります。スパムブロック：受信トレイを詰ませるスパムメールにさようならを言いましょう。Mailsormは便利なワンクリックのスパムブロック機能を提供し、受信トレイをクリーンで不要なメールから解放します。…

「ステーブル拡散」は実際にどのように機能するのでしょうか？直感的な説明

この短い記事では、初心者に対して安定した拡散（Stable Diffusion）が直感的にどのように機能するかを説明していますこれは、Midjourneyなどのツールの内部をのぞくことです

データの変形：データザウルス・ダズンを超えて進む

編集者の注意：Stefanie Molinさんは、この秋のODSC West 2023のスピーカーですぜひ彼女のトーク、「データ変形：要約統計の警告事例」をチェックしてください！この記事では、2Dポイントの入力データセットを変形するために使用できる新しいオープンソースのPythonパッケージ「Data Morph」を紹介します...

West 2023

「セマンティックカーネルへのPythonistaのイントロ」

ChatGPTのリリース以来、大規模言語モデル（LLM）は産業界とメディアの両方で非常に注目されており、これによりLLMを活用しようとする前例のない需要が生まれました...

このAIニュースレターは、あなたが必要とするすべてです＃62

今週は、METAのコーディングモデルの開発とOpenAIの新しいファインチューニング機能の進展を見てきましたMetaは、Code LLaMAという大規模な言語モデルを導入しましたこのモデルは…

「埋め込みを使った10の素敵なこと！【パート1】」

「クラシックな機械学習（ML）から一歩踏み出して、埋め込みはほとんどのディープラーニング（DL）のユースケースの中核ですこの概念を理解することで、柔軟なタスクを実行することができます」

埋め込みの視覚化

「私は1990年に初めてAIの論文を地元の小さなカンファレンスである「ミッドウエスト人工知能・認知科学協会」に提出しました当時のAIの分野は完全に...」

画像中のテーブルの行と列をトランスフォーマーを使用して検出する

はじめに非構造化データを扱ったことがあり、ドキュメント内のテーブルの存在を検出する方法を考えたことはありますか？ドキュメントを迅速に処理するための方法を提供しますか？この記事では、トランスフォーマーを使用して、テーブルの存在だけでなく、テーブルの構造を画像から認識する方法を見ていきます。これは、2つの異なるモデルによって実現されます。1つはドキュメント内のテーブルの検出のためのもので、もう1つはテーブル内の個々の行と列を認識するためのものです。学習目標画像上のテーブルの行と列を検出する方法 Table TransformersとDetection Transformer（DETR）の概要 PubTables-1Mデータセットについて Table Transformerでの推論の実行方法ドキュメント、記事、PDFファイルは、しばしば重要なデータを伝えるテーブルを含む貴重な情報源です。これらのテーブルから情報を効率的に抽出することは、異なるフォーマットや表現の間の課題により複雑になる場合があります。これらのテーブルを手動でコピーまたは再作成するのは時間がかかり、ストレスがかかることがあります。PubTables-1Mデータセットでトレーニングされたテーブルトランスフォーマーは、テーブルの検出、構造の認識、および機能分析の問題に対処します。この記事はData Science Blogathonの一環として公開されました。この方法はどのように実現されたのですか？これは、PubTables-1Mという名前の大規模な注釈付きデータセットを使用して、記事などのドキュメントや画像を検出するためのトランスフォーマーモデルであるTable Transformerによって実現されました。このデータセットには約100万のパラメータが含まれており、いくつかの手法を用いて実装されており、モデルに最先端の感触を与えています。効率性は、不完全な注釈、空間的な整列の問題、およびテーブルの構造の一貫性の課題に取り組むことで達成されました。モデルとともに公開された研究論文では、テーブルの構造認識（TSR）と機能分析（FA）のジョイントモデリングにDetection Transformer（DETR）モデルを活用しています。したがって、DETRモデルは、Microsoft Researchが開発したTable Transformerが実行されるバックボーンです。DETRについてもう少し詳しく見てみましょう。 DEtection TRansformer（DETR）前述のように、DETRはDEtection TRansformerの略であり、エンコーダーデコーダートランスフォーマーを使用したResNetアーキテクチャなどの畳み込みバックボーンから構成されています。これにより、オブジェクト検出のタスクを実行する潜在能力を持っています。DETRは、領域提案、非最大値抑制、アンカー生成などの複雑なモデル（Faster…

Learn more about Search Results こちらの - Page 7