آموزش مقدمه ای بر مدل های انتشار

Introduction to Diffusion Models

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های انتشار از ابتدا با استفاده از PyToch | تجزیه و تحلیل عمیق Stable Diffusion و DALL·E 2 نحوه عملکرد مدل های انتشار پیاده سازی مدل های انتشار از ابتدا با استفاده از PyTorch در درک عمیق رنگ آمیزی با مدل های انتشار تجزیه و تحلیل عمیق Stable Diffusion: باز کردن جعبه سیاه ساخت انیمیشن های عالی با مدل های انتشار بررسی مقالات تحقیقاتی تاثیرگذار پیش نیازها: دانش برنامه نویسی پایه دانش یادگیری ماشین پایه

به این دوره در مورد مدل های انتشار خوش آمدید!


این دوره به دنیای شگفت‌انگیز مدل‌های انتشار می‌پردازد، از مقاله تحقیقاتی اولیه شروع می‌شود و تا برنامه‌های کاربردی پیشرفته مانند تولید تصویر، نقاشی درونی، انیمیشن‌ها و موارد دیگر پیشرفت می‌کند. این دوره با ترکیب یک رویکرد نظری و پیاده سازی عملی با استفاده از PyTorch، شما را به دانش و تخصص مورد نیاز برای برتری در این زمینه هیجان انگیز هوش مصنوعی مولد مجهز می کند.


چرا این دوره آموزشی مدل‌های انتشار را انتخاب کنید؟


  • از تئوری تا عمل: این دوره با کالبدشکافی مقاله تحقیقاتی اولیه در مورد مدل‌های انتشار، توضیح مفاهیم و تکنیک‌ها از ابتدا آغاز می‌شود. هنگامی که به درک عمیقی از اصول اساسی دست یافتید، نتایج حاصل از مقاله مدل انتشار اولیه را از ابتدا با استفاده از PyTorch بازتولید خواهیم کرد.

  • تولید تصویر پیشرفته: با تکیه بر دانش پایه، به سراغ تکنیک‌های پیشرفته برای تولید تصویر با استفاده از مدل‌های انتشار خواهیم رفت.

  • Inpainting و برنامه‌های مشابه DALL-E: کشف کنید که چگونه می‌توان از مدل‌های انتشار برای نقاشی داخلی استفاده کرد و به شما امکان می‌دهد قسمت‌های از دست رفته یا آسیب‌دیده تصاویر را با دقت خیره‌کننده پر کنید. پس از این جلسه، شما درک عمیقی از نحوه عملکرد inpainting با مدل هایی مانند Stable Diffusion یا DALL-E خواهید داشت و دانش لازم برای تغییر آن بر اساس نیازهای خود را خواهید داشت.

  • تسلط بر انیمیشن: خلاقیت خود را آزاد کنید و یاد بگیرید که چگونه با استفاده از مدل های انتشار انیمیشن های جذاب ایجاد کنید.

  • به Stable Diffusion شیرجه بزنید: با بررسی و تجزیه و تحلیل کد منبع، درک عمیقی از Stable Diffusion و عملکرد درونی آن به دست آورید. این به شما این امکان را می دهد که از Stable Diffusion به طور موثر در پروژه های صنعتی و تحقیقاتی خود، فراتر از استفاده از API استفاده کنید.

  • از تحقیقات تاثیرگذار مطلع بمانید: با مرور مقالات تحقیقاتی تاثیرگذار از آخرین پیشرفت‌ها در مدل‌های انتشار مطلع شوید. در مورد تکنیک‌ها و برنامه‌های کاربردی که زمینه را به جلو می‌برند، بینش کسب کنید و دانش خود را گسترش دهید تا از منحنی جلوتر بمانید. اکنون ثبت نام کنید تا به دوره آنلاین جامع ما در مورد مدل های انتشار دسترسی پیدا کنید و بیاموزید که چگونه این فناوری می تواند پروژه های شما را بهبود بخشد. این فرصت را از دست ندهید تا در مورد آخرین پیشرفت‌های هوش مصنوعی با مدل‌های انتشار اطلاعاتی کسب کنید!


هم اکنون ثبت نام کنید تا به دوره آنلاین جامع ما در مورد مدل های انتشار دسترسی داشته باشید و بیاموزید که چگونه این فناوری می تواند پروژه های شما را بهبود بخشد.


این فرصت را از دست ندهید تا با آخرین پیشرفت‌های هوش مصنوعی با مدل‌های انتشار آشنا شوید!




سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

مقاله اولیه در مورد مدل های انتشار Initial paper on Diffusion Models

  • رو به جلو/فرآیند انتشار Forward / Diffusion process

  • رو به جلو/فرآیند انتشار: پیاده سازی Forward / Diffusion process: implementation

  • فرآیند انتشار: ترفندها Diffusion process: tricks

  • فرآیند انتشار: ادغام ترفندها در اجرا Diffusion process: incorporation of the tricks in the implementation

  • فرآیند انتشار: تجسم Diffusion process: visualization

  • روند معکوس Reverse process

  • فرآیند معکوس: پیاده سازی Reverse process: implementation

  • معماری مدل Architecture of the model

  • فرآیند معکوس: نمونه برداری Reverse process: sampling

  • فرآیند معکوس: تجسم Reverse process: visualization

  • معادلات آموزشی - قسمت 1 Training equations - part 1

  • معادلات آموزشی - قسمت 2 Training equations - part 2

  • معادلات آموزشی: اجرا - قسمت 1 Training equations : implementation - part 1

  • معادلات آموزشی: اجرا - قسمت 2 Training equations : implementation - part 2

  • پیاده سازی حلقه آموزشی Implementation of the training loop

  • آموزش GPU Training on GPU

  • غلط املایی را درست کنید Correct typo

  • بازتولید یک شکل از مقاله: تجزیه و تحلیل نتایج Reproduction of a Figure from the paper: Analysis of the results

نویز زدایی از مدل های احتمالی انتشار Denoising Diffusion Probabilistic Models

  • بررسی مقاله Review of the paper

  • تعبیه زمان Time embedding

  • شبه کد Pseudocode

  • پیاده سازی U-Net: تعبیه زمان U-Net Implementation : time embedding

  • پیاده سازی U-Net: نمونه برداری پایین U-Net Implementation : downsampling

  • پیاده سازی U-Net: نمونه برداری U-Net Implementation : upsampling

  • پیاده سازی U-Net: ResNet - part1 U-Net Implementation : ResNet - part1

  • پیاده سازی U-Net: ResNet - part2 U-Net Implementation : ResNet - part2

  • پیاده سازی U-Net: ResNet - part3 U-Net Implementation : ResNet - part3

  • پیاده سازی U-Net: مکانیسم توجه - قسمت 1 U-Net Implementation : Attention Mechanism - part1

  • پیاده سازی U-Net: مکانیسم توجه - قسمت 2 U-Net Implementation : Attention Mechanism - part2

  • اتمام پیاده سازی U-Net - قسمت 1 Finishing the U-Net Implementation - part1

  • اتمام پیاده سازی U-Net - قسمت 2 Finishing the U-Net Implementation - part2

  • اتمام پیاده سازی U-Net - قسمت 3 Finishing the U-Net Implementation - part3

  • اتمام پیاده سازی U-Net - قسمت 4 Finishing the U-Net Implementation - part4

  • اتمام پیاده سازی U-Net - قسمت 5 Finishing the U-Net Implementation - part5

  • مدل‌های احتمالی انتشار نویز زدایی: پیاده‌سازی Denoising Diffusion Probabilistic Models: implementation

  • مدل‌های احتمالی انتشار نویز: آموزش Denoising Diffusion Probabilistic Models: training

  • مدل‌های احتمالی انتشار نویز زدایی: نمونه‌گیری Denoising Diffusion Probabilistic Models: sampling

  • مدل‌های احتمالی انتشار نویز زدایی: کاربردها Denoising Diffusion Probabilistic Models: utils

  • مدل‌های احتمالی انتشار نویز زدایی: حلقه آموزشی Denoising Diffusion Probabilistic Models: training loop

  • مدل‌های احتمالی انتشار نویز زدایی: تجسم Denoising Diffusion Probabilistic Models: visualization

  • مدل‌های احتمالی انتشار نویز: آموزش در GPU Denoising Diffusion Probabilistic Models: training on GPU

  • تجزیه و تحلیل نتایج Analysis of the results

در حال نقاشی Inpainting

  • Inpainting with Diffusion Models: توضیح Inpainting with Diffusion Models: explanation

  • Inpainting with Diffusion Models: پیاده سازی Inpainting with Diffusion Models: implementation

  • Inpainting با Diffusion Models: تصحیح اشکال Inpainting with Diffusion Models: bug correction

متحرک سازی مدل های انتشار Animating Diffusion Models

  • انیمیشن ها - قسمت 1 Animations - part1

  • انیمیشن ها - قسمت 2 Animations - part2

  • انیمیشن ها - قسمت 3 Animations - part3

انتشار پایدار Stable Diffusion

  • کاغذ انتشار پایدار Stable Diffusion Paper

  • Stable Diffusion: Hugging Face API - part1 Stable Diffusion: Hugging Face API - part1

  • Stable Diffusion: Hugging Face API - part2 Stable Diffusion: Hugging Face API - part2

  • Stable Diffusion: Hugging Face API - کاشت و تکرارپذیری Stable Diffusion: Hugging Face API - seeding and reproducibility

  • Stable Diffusion: بررسی کد - part1 Stable Diffusion: review of the code - part1

  • Stable Diffusion: بررسی کد - part2 Stable Diffusion: review of the code - part2

  • Stable Diffusion: بررسی کد - part3 Stable Diffusion: review of the code - part3

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش مقدمه ای بر مدل های انتشار
جزییات دوره
9.5 hours
56
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
207
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Maxime Vandegar Maxime Vandegar

Ingénieur de Recherche