Programma Les 191 van 246 · Module 17: Ruis erin, plaatjes eruit (diffusie)
Module 17: Ruis erin, plaatjes eruit (diffusie)

Een getraind model iets nieuws aanleren (fine-tuning)

Waarom dit ertoe doetNiemand traint een groot beeldmodel vanaf nul om een nieuwe stijl te krijgen: ze fine-tune een model dat al weet hoe afbeeldingen werken. Een paar honderd stappen op nieuwe data kunnen genoeg zijn, omdat het grootste deel van wat het model weet nog steeds van toepassing is.

De nieuwe taak: spiegelbeeld schrijven. Elke getal die je traint wordt van links naar rechts omgedraaid. Het getrainde getalmodel heeft er nog nooit een gezien.

difflab.train_digits(steps=..., model=model, data=(pictures, labels)) blijft een bestaand model trainen op je data.

Hoe controleer je of het spiegelbeeldschrift heeft geleerd en niet iets anders? Draai de samples terug: als ze gelezen worden als de gevraagde cijfers, tekent het gespiegelde cijfers. En de niet-omgedraaide samples zouden nu meestal niet meer correct leesbaar moeten zijn, behalve voor cijfers die er hetzelfde uitzien in een spiegel (0, 1 en 8 doen dat bijna): als de meeste nog steeds correct leesbaar zijn, is er niet veel veranderd.

Woorden en symbolen in deze les
eps
de klokvormige ruis die is toegevoegd; het netwerk leert dit te voorspellen
DDIM
sampling door te springen tussen een paar stappen, zonder nieuwe ruis
fine-tuning
het blijven trainen van een getraind model op nieuwe data
Jij bent aan de beurt

Schrijf mirror(pictures) (rijen van 64 pixels, gespiegeld van links naar rechts), fine-tune het model op gespiegelde trainingscijfers voor maximaal 400 stappen (een paar seconden; 300 is genoeg), en vul after in met: het deel van 500 samples (w = 2, 20 DDIM steps) dat gelezen wordt als het gevraagde cijfer wanneer het weer wordt gespiegeld, het deel dat correct gelezen wordt zonder spiegelen, en de nabijheid van de terug-gespiegelde samples.

Een probleem ontdekt in deze les? Meld het · Vraag naar deze les

Deze oefening opent binnenkort

Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.