Programa do Curso
Introdução ao avançado Stable Diffusion
- Visão geral da arquitetura e dos componentes de Stable Diffusion
- Aprendizagem profunda para a geração de texto-imagem: análise dos modelos e técnicas mais avançados
- Cenários avançados de Stable Diffusion e casos de utilização
Técnicas avançadas de geração de texto para imagem com Stable Diffusion
- Modelos generativos para a síntese de imagens: GANs, VAEs e suas variações
- Geração de imagens condicionais com entradas de texto: modelos e técnicas
- Geração multimodal com múltiplas entradas: modelos e técnicas
- Controlo fino da geração de imagens: modelos e técnicas
Otimização do desempenho e escalonamento para Stable Diffusion
- Otimização e escalonamento Stable Diffusion para grandes conjuntos de dados
- Paralelismo de modelos e paralelismo de dados para formação de elevado desempenho
- Técnicas para reduzir o consumo de memória durante a formação e a inferência
- Técnicas de quantização e poda para uma implantação eficiente de modelos
Afinação e generalização de hiperparâmetros com Stable Diffusion
- Técnicas de afinação de hiperparâmetros para modelos Stable Diffusion
- Técnicas de regularização para melhorar a generalização do modelo
- Técnicas avançadas para lidar com viés e equidade em modelos Stable Diffusion
Integração de Stable Diffusion com outras estruturas e ferramentas de aprendizagem profunda
- Integração da difusão estável com PyTorch, TensorFlow e outras estruturas de aprendizagem profunda
- Técnicas avançadas de implementação para modelos de difusão estável
- Técnicas avançadas de inferência para modelos de difusão estável
Depuração e resolução de problemas Stable Diffusion Modelos
- Técnicas de diagnóstico e resolução de problemas em modelos Stable Diffusion
- Depuração de modelos Stable Diffusion: dicas e melhores práticas
- Monitorização e análise de modelos Stable Diffusion
Resumo e próximas etapas
- Revisão dos principais conceitos e tópicos
- Sessão de perguntas e respostas
- Próximos passos para utilizadores avançados Stable Diffusion.
Requisitos
-
Boa compreensão dos conceitos e arquitecturas de aprendizagem profunda
Familiaridade com a difusão estável e a geração de texto para imagem
Experiência com PyTorch e programação Python
Público
-
Cientistas de dados e engenheiros de aprendizagem automática
Investigadores de aprendizagem profunda
Computer peritos em visão.
Declaração de Clientes (4)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Very flexible
Frank Ueltzhöffer
Curso - Artificial Neural Networks, Machine Learning and Deep Thinking
The structure from first principles, to case studies, to application.
Margaret Webb - Department of Jobs, Regions, and Precincts
Curso - Introduction to Deep Learning
I was benefit from the passion to teach and focusing on making thing sensible.