


Das visuelle Talent großer Sprachmodelle: GPT kann auch visuelle Aufgaben durch kontextuelles Lernen lösen
Derzeit haben große Sprachmodelle (LLM) eine Welle von Veränderungen im Bereich der Verarbeitung natürlicher Sprache (NLP) ausgelöst. Wir sehen, dass LLM über starke Emergenzfähigkeiten verfügt und bei komplexen Sprachverständnisaufgaben, Generierungsaufgaben und sogar Argumentationsaufgaben gute Leistungen erbringt. Dies inspiriert Menschen dazu, das Potenzial von LLM in einem anderen Teilbereich des maschinellen Lernens – Computer Vision (CV) – weiter zu erkunden.
Eines der großen Talente von LLMs ist ihre Fähigkeit, im Kontext zu lernen. Kontextuelles Lernen aktualisiert keine Parameter des LLM, zeigt jedoch erstaunliche Ergebnisse bei verschiedenen NLP-Aufgaben. Kann GPT also visuelle Aufgaben durch kontextuelles Lernen lösen?
Kürzlich haben Forscher von Google und der Carnegie Mellon University (CMU) gemeinsam einen Artikel veröffentlicht, der zeigt, dass dies machbar erscheint, solange wir Bilder (oder andere nichtsprachliche Modalitäten) in eine Sprache umwandeln können, die LLM verstehen kann.
Bilder
Papieradresse: https://arxiv.org/abs/2306.17842
Dieses Papier enthüllt die Fähigkeit von PaLM oder GPT, visuelle Aufgaben durch kontextuelles Lernen zu lösen und schlägt eine neue Methode SPAE vor ( Semantischer Pyramiden-AutoEncoder). Dieser neue Ansatz ermöglicht es LLM, Bildgenerierungsaufgaben ohne Parameteraktualisierungen durchzuführen. Dies ist auch die erste erfolgreiche Methode, kontextuelles Lernen zu nutzen, um LLM in die Lage zu versetzen, Bildinhalte zu generieren.
Werfen wir zunächst einen Blick auf die experimentellen Ergebnisse von LLM bei der Generierung von Bildinhalten durch Kontextlernen.
Durch die Bereitstellung von 50 Handschriftbildern in einem bestimmten Kontext fordert das Papier beispielsweise PaLM 2 auf, komplexe Fragen zu beantworten, die die Generierung digitaler Bilder als Ausgabe erfordern: Erzeugen Sie realistische Bilder aus dem wirklichen Leben ohne Eingabe:
Bilder
Neben der Generierung von Bildern kann PaLM 2 durch kontextuelles Lernen auch eine Bildbeschreibung durchführen:
Bilder
können sogar entrauscht werden, um Videos zu generieren:
Bilder
Methodenübersicht
Tatsächlich ist die Konvertierung von Bildern in eine Sprache, die LLM verstehen kann, ein Problem, das im Visual Transformer (ViT)-Artikel untersucht wurde . In diesem Artikel von Google und CMU gehen sie noch einen Schritt weiter – indem sie tatsächliche Wörter zur Darstellung von Bildern verwenden.
Dieser Ansatz ähnelt dem Bau eines Turms voller Text, der die Semantik und Details des Bildes erfasst. Diese textgefüllte Darstellung ermöglicht die einfache Generierung von Bildbeschreibungen und ermöglicht es LLMs, bildbezogene Fragen zu beantworten und sogar Bildpixel zu rekonstruieren.
In dieser Studie wird insbesondere vorgeschlagen, das Bild mit einem trainierten Encoder und CLIP-Modell in einen Token-Raum umzuwandeln. Anschließend wird LLM verwendet, um geeignete lexikalische Token zu generieren zurück in Pixelraum konvertiert. Dieser geniale Prozess wandelt Bilder in eine Sprache um, die LLM verstehen kann, sodass wir die generative Kraft von LLM bei Bildverarbeitungsaufgaben nutzen können.
Experimente und Ergebnisse
In dieser Studie wurde SPAE experimentell mit den SOTA-Methoden Frozen und LQAE verglichen. Die Ergebnisse sind in Tabelle 1 unten aufgeführt. SPAEGPT übertrifft LQAE bei allen Aufgaben und verwendet dabei nur 2 % der Token.
Image
Insgesamt zeigen Tests des Mini-ImageNet-Benchmarks, dass die SPAE-Methode die Leistung im Vergleich zur vorherigen SOTA-Methode um 25 % verbessert.
Bilder
Um die Wirksamkeit der SPAE-Designmethode zu überprüfen, wurde in dieser Studie ein Ablationsexperiment durchgeführt. Die experimentellen Ergebnisse sind in Tabelle 4 und Abbildung 10 unten dargestellt:
Bilder
Bilder
Interessierte Leser können den Originaltext des Artikels lesen, um mehr über den Forschungsinhalt zu erfahren.
Das obige ist der detaillierte Inhalt vonDas visuelle Talent großer Sprachmodelle: GPT kann auch visuelle Aufgaben durch kontextuelles Lernen lösen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Bei der Bildanmerkung handelt es sich um das Verknüpfen von Beschriftungen oder beschreibenden Informationen mit Bildern, um dem Bildinhalt eine tiefere Bedeutung und Erklärung zu verleihen. Dieser Prozess ist entscheidend für maschinelles Lernen, das dabei hilft, Sehmodelle zu trainieren, um einzelne Elemente in Bildern genauer zu identifizieren. Durch das Hinzufügen von Anmerkungen zu Bildern kann der Computer die Semantik und den Kontext hinter den Bildern verstehen und so den Bildinhalt besser verstehen und analysieren. Die Bildanmerkung hat ein breites Anwendungsspektrum und deckt viele Bereiche ab, z. B. Computer Vision, Verarbeitung natürlicher Sprache und Diagramm-Vision-Modelle. Sie verfügt über ein breites Anwendungsspektrum, z. B. zur Unterstützung von Fahrzeugen bei der Identifizierung von Hindernissen auf der Straße und bei der Erkennung und Diagnose von Krankheiten durch medizinische Bilderkennung. In diesem Artikel werden hauptsächlich einige bessere Open-Source- und kostenlose Bildanmerkungstools empfohlen. 1.Makesens

In den Bereichen maschinelles Lernen und Datenwissenschaft stand die Interpretierbarkeit von Modellen schon immer im Fokus von Forschern und Praktikern. Mit der weit verbreiteten Anwendung komplexer Modelle wie Deep Learning und Ensemble-Methoden ist das Verständnis des Entscheidungsprozesses des Modells besonders wichtig geworden. Explainable AI|XAI trägt dazu bei, Vertrauen in maschinelle Lernmodelle aufzubauen, indem es die Transparenz des Modells erhöht. Eine Verbesserung der Modelltransparenz kann durch Methoden wie den weit verbreiteten Einsatz mehrerer komplexer Modelle sowie der Entscheidungsprozesse zur Erläuterung der Modelle erreicht werden. Zu diesen Methoden gehören die Analyse der Merkmalsbedeutung, die Schätzung des Modellvorhersageintervalls, lokale Interpretierbarkeitsalgorithmen usw. Die Merkmalswichtigkeitsanalyse kann den Entscheidungsprozess des Modells erklären, indem sie den Grad des Einflusses des Modells auf die Eingabemerkmale bewertet. Schätzung des Modellvorhersageintervalls

Laienhaft ausgedrückt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Eingabedaten einer vorhergesagten Ausgabe zuordnet. Genauer gesagt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Modellparameter anpasst, indem sie aus Trainingsdaten lernt, um den Fehler zwischen der vorhergesagten Ausgabe und der wahren Bezeichnung zu minimieren. Beim maschinellen Lernen gibt es viele Modelle, z. B. logistische Regressionsmodelle, Entscheidungsbaummodelle, Support-Vektor-Maschinenmodelle usw. Jedes Modell verfügt über seine anwendbaren Datentypen und Problemtypen. Gleichzeitig gibt es viele Gemeinsamkeiten zwischen verschiedenen Modellen oder es gibt einen verborgenen Weg für die Modellentwicklung. Am Beispiel des konnektionistischen Perzeptrons können wir es durch Erhöhen der Anzahl verborgener Schichten des Perzeptrons in ein tiefes neuronales Netzwerk umwandeln. Wenn dem Perzeptron eine Kernelfunktion hinzugefügt wird, kann es in eine SVM umgewandelt werden. Dieses hier

In diesem Artikel wird vorgestellt, wie Überanpassung und Unteranpassung in Modellen für maschinelles Lernen mithilfe von Lernkurven effektiv identifiziert werden können. Unteranpassung und Überanpassung 1. Überanpassung Wenn ein Modell mit den Daten übertrainiert ist, sodass es daraus Rauschen lernt, spricht man von einer Überanpassung des Modells. Ein überangepasstes Modell lernt jedes Beispiel so perfekt, dass es ein unsichtbares/neues Beispiel falsch klassifiziert. Für ein überangepasstes Modell erhalten wir einen perfekten/nahezu perfekten Trainingssatzwert und einen schrecklichen Validierungssatz-/Testwert. Leicht geändert: „Ursache der Überanpassung: Verwenden Sie ein komplexes Modell, um ein einfaches Problem zu lösen und Rauschen aus den Daten zu extrahieren. Weil ein kleiner Datensatz als Trainingssatz möglicherweise nicht die korrekte Darstellung aller Daten darstellt. 2. Unteranpassung Heru.“

In den 1950er Jahren wurde die künstliche Intelligenz (KI) geboren. Damals entdeckten Forscher, dass Maschinen menschenähnliche Aufgaben wie das Denken ausführen können. Später, in den 1960er Jahren, finanzierte das US-Verteidigungsministerium künstliche Intelligenz und richtete Labore für die weitere Entwicklung ein. Forscher finden Anwendungen für künstliche Intelligenz in vielen Bereichen, etwa bei der Erforschung des Weltraums und beim Überleben in extremen Umgebungen. Unter Weltraumforschung versteht man die Erforschung des Universums, das das gesamte Universum außerhalb der Erde umfasst. Der Weltraum wird als extreme Umgebung eingestuft, da sich seine Bedingungen von denen auf der Erde unterscheiden. Um im Weltraum zu überleben, müssen viele Faktoren berücksichtigt und Vorkehrungen getroffen werden. Wissenschaftler und Forscher glauben, dass die Erforschung des Weltraums und das Verständnis des aktuellen Zustands aller Dinge dazu beitragen können, die Funktionsweise des Universums zu verstehen und sich auf mögliche Umweltkrisen vorzubereiten

Zu den häufigsten Herausforderungen, mit denen Algorithmen für maschinelles Lernen in C++ konfrontiert sind, gehören Speicherverwaltung, Multithreading, Leistungsoptimierung und Wartbarkeit. Zu den Lösungen gehören die Verwendung intelligenter Zeiger, moderner Threading-Bibliotheken, SIMD-Anweisungen und Bibliotheken von Drittanbietern sowie die Einhaltung von Codierungsstilrichtlinien und die Verwendung von Automatisierungstools. Praktische Fälle zeigen, wie man die Eigen-Bibliothek nutzt, um lineare Regressionsalgorithmen zu implementieren, den Speicher effektiv zu verwalten und leistungsstarke Matrixoperationen zu nutzen.

Übersetzer |. Rezensiert von Li Rui |. Chonglou Modelle für künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden heutzutage immer komplexer, und die von diesen Modellen erzeugten Ergebnisse sind eine Blackbox, die den Stakeholdern nicht erklärt werden kann. Explainable AI (XAI) zielt darauf ab, dieses Problem zu lösen, indem es Stakeholdern ermöglicht, die Funktionsweise dieser Modelle zu verstehen, sicherzustellen, dass sie verstehen, wie diese Modelle tatsächlich Entscheidungen treffen, und Transparenz in KI-Systemen, Vertrauen und Verantwortlichkeit zur Lösung dieses Problems gewährleistet. In diesem Artikel werden verschiedene Techniken der erklärbaren künstlichen Intelligenz (XAI) untersucht, um ihre zugrunde liegenden Prinzipien zu veranschaulichen. Mehrere Gründe, warum erklärbare KI von entscheidender Bedeutung ist. Vertrauen und Transparenz: Damit KI-Systeme allgemein akzeptiert und vertrauenswürdig sind, müssen Benutzer verstehen, wie Entscheidungen getroffen werden

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist
