


La nouvelle IA de Google est à la mode ! Tu peux dessiner le mot le plus long du monde
Les amis, savez-vous quel est ce mot anglais ?
Pneumonoultramicroscopiquesilicovolcanoconiose.
Ceci est reconnu comme le mot le plus long au monde - un mot de 45 lettres, qui signifie "une maladie causée par le dépôt de particules de silice volcanique dans les poumons" (communément appelée silicose volcanique).
Mais et si, au lieu de vous demander d'épeler ce mot, vous... le dessiniez ?
(Vous ne savez même pas lire, mais vous dessinez quand même ???)
Parti, la dernière IA proposée par Google, peut facilement résoudre ce problème.
Après avoir « transmis » ce mot à Parti, il peut générer plusieurs images raisonnables de maladies pulmonaires de manière décente :
Mais ce n'est qu'un petit test de la capacité de Parti, selon Google, qui est actuellement le plus avancé IA « texte-image ».
Par exemple, dites-lui : "Combinez l'Opéra de Sydney et la Tour Eiffel", le résultat est le suivant :
(Si vous ne savez pas, vous pensez vraiment que c'est une image)
Et dans le chemin de l'algorithme Mathématiquement, on peut dire que le propre Imagen Parti de Google a porté la "peinture IA" à un nouveau niveau.
Même Jeff Dean, responsable de l'IA de Google, a tweeté plusieurs fois et s'est bien amusé :
Extensible à 20 milliards de paramètres : plus réaliste et "plus intelligent"
Faits D'un autre côté, les capacités de Parti ne le sont pas arrêtez-vous là.
Grâce au modèle évolutif jusqu'à 20 milliards de paramètres, d'une part, les images qu'il génère sont plus détaillées et réalistes.
Qu'il s'agisse de quelques mots ou d'un court paragraphe de plus de cinquante mots, il peut être clairement affiché.
Par exemple, Le dos d'un violon, le dos du violon.
Ou peut-être que c’est la scène nocturne décrite dans la « Nuit étoilée » de Van Gogh. ps, il y a 67 mots dans ce paragraphe.
Le résultat est que Parti n'est pas un problème non plus. Il peut dessiner toutes sortes d'images pour vous dans un seul paquet~
C'est aussi la deuxième plus grande capacité de Parti. Non seulement les détails sont en place. , mais le style peut aussi être modifié.
Il existe également des descriptions particulières comme "Le raton laveur porte un costume formel, un haut-de-forme, une canne et un sac poubelle", qui peuvent également créer une œuvre fleurie sans manquer de détails.
En termes de style, il existe le style Van Gogh, le style pharaonique égyptien, le style pixel, le style de peinture traditionnelle chinoise, le style abstrait...
Même parfois, il racontera des jeux de mots.
(Toad’ay)
Plus précisément en termes de résultats de tests, Parti a obtenu les résultats les plus avancés en termes de scores FID pour MS-COCO et Localized Narrative (LN, description 4 fois plus longue).
Surtout, le score FID de l'échantillon zéro MS-COCO n'est que de 7,23, et le score FID affiné est de 3,22, dépassant l'Imagen et le DALL-E 2 précédents.
Tous les composants sont des Transformers
Après un mois, Google a porté la peinture IA à un nouveau niveau, mais l'auteur a déclaré : le secret est simple.
Parti traite principalement les images générées par texte comme une modélisation séquence à séquence. Ceci est quelque peu similaire à la traduction automatique, où les jetons de texte sont donnés en entrée à l'encodeur et la sortie cible passe du texte à l'image.
Structurellement, tous ses composants ne comportent que trois parties : encodeur, décodeur et marqueur d'image, et ils sont tous basés sur le Transformer standard.
Tout d'abord, l'image est codée dans une séquence discrète de balises à l'aide du tagger d'image basé sur Transformer ViT-VQGAN.
Ensuite, les paramètres sont étendus à 20 milliards grâce à la structure d'encodage-décodage de Transformer.
Les recherches précédentes sur la génération d'images à partir de texte, à l'exception du premier GAN, peuvent être grossièrement divisées en deux idées.
L'un est basé sur le modèle autorégressif. Tout d'abord, les caractéristiques du texte sont mappées aux caractéristiques de l'image, puis une architecture de séquence similaire à Transformer est utilisée pour apprendre la relation entre l'entrée du langage et la sortie de l'image.
Un élément clé de cette approche est le tagger d'images, qui convertit chaque image en une séquence d'unités discrètes. Par exemple, DALL-E et CogView adoptent cette idée.
L'autre est une voie qui a fait de fréquents progrès au cours de cette période : les modèles texte-image basés sur la diffusion, comme DALL-E 2 et Imagen.
Ils ont abandonné le tagger d'images et ont plutôt utilisé un modèle de diffusion pour générer directement des images. Ce que l’on peut voir, c’est que ces modèles produisent des images de meilleure qualité et obtiennent de meilleurs résultats sur le FID zéro tir MS-COCO.
Le succès du modèle Parti prouve que le modèle autorégressif peut être utilisé pour améliorer l'effet des images générées par du texte.
Dans le même temps, Parti a également introduit et publié un nouveau test de référence - PartiPrompts, qui est utilisé pour mesurer la capacité du modèle dans 12 catégories et 11 défis.
Mais Parti a encore certaines limites, et les chercheurs ont également montré quelques bugs :
Par exemple, la description négative ne sert à rien~
Une assiette sans bananes, et un verre sans jus d'orange à côté de la tasse.
Commettez également des erreurs de bon sens, comme une mise à l'échelle déraisonnable. Par exemple, sur cette photo, le robot est plusieurs fois plus grand qu'une voiture de course.
Un robot brillant vêtu d'une combinaison de course et d'une visière noire se tient fièrement devant une voiture de F1. Le soleil se couche sur le paysage urbain. Illustration de bande dessinée.
Google "roulez-vous"
Cette étude provient de Google Research, et la plupart des membres de l'équipe sont chinois.
Le personnel de recherche principal comprend Yuanzhong Xu, Thang Luong, etc., qui travaillent actuellement chez Google dans la recherche liée à l'IA.
(Thang Luong a été cité plus de 20 000 fois sur Google Scholar)
△Gauche : Yuanzhong Xu ; Droite : Thang Luong
Mais ce qui est intéressant, c'est que les deux « disent un mot pour laisser l'IA dessiner » , et le même Imagen est créé par Google, et cela a beaucoup à voir avec Parti.
Il est mentionné dans la documentation du projet GitHub de Parti :
Merci à l'équipe Imagen d'avoir partagé avec nous ses récents résultats complets avant de publier Imagen.
Leurs découvertes importantes en matière de guidage CF ont été particulièrement utiles pour le modèle final du Parti.
Et Burcu Karagol Ayan, l'un des auteurs d'Imagen, a également participé au projet Parti.
(C'est comme Google « roulez-le vous-même »)
Non seulement cela, même Aditya Ramesh, l'auteur du « next door » DALL-E 2, a également discuté de l'évaluation MS-COCO pour Parti.
et les auteurs de DALL-Eval ont également apporté leur aide dans le travail sur les données du Parti.
Encore une chose
Il y a une chose à dire, « l'image générée par texte » n'est pas seulement la coqueluche des chercheurs.
Les internautes ne se lassent pas de "jouer" avec (ne soyez pas trop imaginatif).
Il y a quelque temps, j'ai demandé à Imagen de dessiner une dynastie Song "Tigre portant de la VR", qui a directement évolué vers une bataille de peinture IA.
△Photo : Art by Imagen
DALL·E, MidJourney et d'autres "sont venus après avoir entendu la nouvelle" pour participer.
△ Dessin de DALL·E
Il y a même des gens qui combinent Wordle et DALL-E 2 :
...
Mais revenir à Parti cette fois, c'est amusant, mais quand même Certains internautes a soulevé une question « frappée par l'âme » :
Quand sera-t-il commercialisé ? Cela ne servirait à rien de « jouer à huis clos » tout seul.
Adresse du papier Parti :
https://parti.research.google/
Adresse du projet GitHub :
https://github.com/google-research/parti
Lien de référence :
[1]https://twitter.com/lmthang/status/1539664610596225024[2]https://gizmodo.com/new-browser-game-combines-dall-e-mini-and-wordle-1849105289 [3]https://imagen.research.google/
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Lors de la conversion des chaînes en objets dans vue.js, JSON.Parse () est préféré pour les chaînes JSON standard. Pour les chaînes JSON non standard, la chaîne peut être traitée en utilisant des expressions régulières et réduisez les méthodes en fonction du format ou du codé décodé par URL. Sélectionnez la méthode appropriée en fonction du format de chaîne et faites attention aux problèmes de sécurité et d'encodage pour éviter les bogues.

Traiter efficacement 7 millions d'enregistrements et créer des cartes interactives avec la technologie géospatiale. Cet article explore comment traiter efficacement plus de 7 millions d'enregistrements en utilisant Laravel et MySQL et les convertir en visualisations de cartes interactives. Exigences initiales du projet de défi: extraire des informations précieuses en utilisant 7 millions d'enregistrements dans la base de données MySQL. Beaucoup de gens considèrent d'abord les langages de programmation, mais ignorent la base de données elle-même: peut-il répondre aux besoins? La migration des données ou l'ajustement structurel est-il requis? MySQL peut-il résister à une charge de données aussi importante? Analyse préliminaire: les filtres et les propriétés clés doivent être identifiés. Après analyse, il a été constaté que seuls quelques attributs étaient liés à la solution. Nous avons vérifié la faisabilité du filtre et établi certaines restrictions pour optimiser la recherche. Recherche de cartes basée sur la ville

Il existe de nombreuses raisons pour lesquelles la startup MySQL échoue, et elle peut être diagnostiquée en vérifiant le journal des erreurs. Les causes courantes incluent les conflits de port (vérifier l'occupation du port et la configuration de modification), les problèmes d'autorisation (vérifier le service exécutant les autorisations des utilisateurs), les erreurs de fichier de configuration (vérifier les paramètres des paramètres), la corruption du répertoire de données (restaurer les données ou reconstruire l'espace de la table), les problèmes d'espace de la table InNODB (vérifier les fichiers IBDATA1), la défaillance du chargement du plug-in (vérification du journal des erreurs). Lors de la résolution de problèmes, vous devez les analyser en fonction du journal d'erreur, trouver la cause profonde du problème et développer l'habitude de sauvegarder régulièrement les données pour prévenir et résoudre des problèmes.

Résumé: Il existe les méthodes suivantes pour convertir les tableaux de chaîne Vue.js en tableaux d'objets: Méthode de base: utilisez la fonction de carte pour convenir à des données formatées régulières. Gameplay avancé: l'utilisation d'expressions régulières peut gérer des formats complexes, mais ils doivent être soigneusement écrits et considérés. Optimisation des performances: Considérant la grande quantité de données, des opérations asynchrones ou des bibliothèques efficaces de traitement des données peuvent être utilisées. MEILLEUR PRATIQUE: Effacer le style de code, utilisez des noms de variables significatifs et des commentaires pour garder le code concis.

Afin de définir le délai d'expiration de Vue Axios, nous pouvons créer une instance AxiOS et spécifier l'option Timeout: dans les paramètres globaux: vue.prototype. $ Axios = axios.create ({timeout: 5000}); Dans une seule demande: ce. $ axios.get ('/ api / utilisateurs', {timeout: 10000}).

L'article présente le fonctionnement de la base de données MySQL. Tout d'abord, vous devez installer un client MySQL, tel que MySQLWorkBench ou le client de ligne de commande. 1. Utilisez la commande MySQL-UROot-P pour vous connecter au serveur et connecter avec le mot de passe du compte racine; 2. Utilisez Createdatabase pour créer une base de données et utilisez Sélectionner une base de données; 3. Utilisez CreateTable pour créer une table, définissez des champs et des types de données; 4. Utilisez InsertInto pour insérer des données, remettre en question les données, mettre à jour les données par mise à jour et supprimer les données par Supprimer. Ce n'est qu'en maîtrisant ces étapes, en apprenant à faire face à des problèmes courants et à l'optimisation des performances de la base de données que vous pouvez utiliser efficacement MySQL.

Ingénieur backend à distance Emploi Vacant Société: Emplacement du cercle: Bureau à distance Type d'emploi: Salaire à temps plein: 130 000 $ - 140 000 $ Description du poste Participez à la recherche et au développement des applications mobiles Circle et des fonctionnalités publiques liées à l'API couvrant l'intégralité du cycle de vie de développement logiciel. Les principales responsabilités complètent indépendamment les travaux de développement basés sur RubyOnRails et collaborent avec l'équipe frontale React / Redux / Relay. Créez les fonctionnalités de base et les améliorations des applications Web et travaillez en étroite collaboration avec les concepteurs et le leadership tout au long du processus de conception fonctionnelle. Promouvoir les processus de développement positifs et hiérarchiser la vitesse d'itération. Nécessite plus de 6 ans de backend d'applications Web complexe

L'optimisation des performances MySQL doit commencer à partir de trois aspects: configuration d'installation, indexation et optimisation des requêtes, surveillance et réglage. 1. Après l'installation, vous devez ajuster le fichier my.cnf en fonction de la configuration du serveur, tel que le paramètre innodb_buffer_pool_size, et fermer query_cache_size; 2. Créez un index approprié pour éviter les index excessifs et optimiser les instructions de requête, telles que l'utilisation de la commande Explication pour analyser le plan d'exécution; 3. Utilisez le propre outil de surveillance de MySQL (ShowProcessList, Showstatus) pour surveiller la santé de la base de données, et sauvegarde régulièrement et organisez la base de données. Ce n'est qu'en optimisant en continu ces étapes que les performances de la base de données MySQL peuvent être améliorées.
