Lehrplan Lektion 191 von 246 · Modul 17: Rauschen rein, Bilder raus (Diffusion)
Modul 17: Rauschen rein, Bilder raus (Diffusion)

Einem trainierten Modell etwas Neues beibringen (Fine-Tuning)

Warum das wichtig istNiemand trainiert ein großes Bildmodell von Grund auf, um einen neuen Stil zu erhalten: sie fine-tune eines, das bereits weiß, wie Bilder funktionieren. Ein paar hundert steps auf neuen Daten können ausreichen, weil der Großteil dessen, was das Modell weiß, immer noch gilt.

Die neue Aufgabe: Spiegelung. Jede Trainingsziffer wird von links nach rechts gespiegelt. Das trainierte Ziffermodell hat noch nie eine gesehen.

difflab.train_digits(steps=..., model=model, data=(pictures, labels)) trainiert ein bestehendes Modell weiterhin mit deinen Daten.

Wie prüfst du, dass es Spiegelung gelernt hat und nicht etwas anderes? Drehe seine Proben zurück: wenn sie als die angeforderten Ziffern lesbar sind, zeichnet es gespiegelte Ziffern. Und die nicht gedrehten Proben sollten nun meistens nicht mehr korrekt lesbar sein, außer für Ziffern, die im Spiegel gleich aussehen (0, 1 und 8 tun das fast): wenn die meisten immer noch korrekt lesbar sind, hat es sich nicht viel verändert.

Wörter und Symbole in dieser Lektion
eps
das Glockenkurven-Rauschen, das hinzugefügt wurde; das Netzwerk lernt es vorherzusagen
DDIM
Sampling durch Springen zwischen einigen Schritten, ohne frisches Rauschen
fine-tuning
ein trainiertes Modell mit neuen Daten weiter trainieren
Du bist dran

Schreibe mirror(pictures) (Zeilen von 64 Pixeln, von links nach rechts gespiegelt), feine tune das Modell auf gespiegelte Trainingsziffern für maximal 400 steps (ein paar Sekunden; 300 sind genug) und fülle after mit: dem Anteil von 500 samples (w = 2, 20 DDIM steps), die als die angeforderte Ziffer gelesen werden, wenn sie zurück gespiegelt werden, dem Anteil, der korrekt ohne Spiegelung gelesen wurde, und der Nähe der zurück gespiegelten samples.

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.