16 search results for "缩略图"

🤗 Diffusers很高兴庆祝其成立一周年！这是一个令人兴奋的一年，我们为自己取得的成就感到自豪和感激，这离不开我们的社区和开源贡献者们。去年，像DALL-E 2、Imagen和Stable Diffusion这样的文本到图像模型以其生成惊人逼真的图像能力吸引了世界的注意，引发了对生成式人工智能的巨大兴趣和发展。但是，使用这些强大模型的权限是有限的。 在Hugging Face，我们的使命是通过合作和互相帮助打造一个开放和道德的人工智能未来，以实现机器学习的民主化。这一使命激励我们创建了🤗 Diffusers库，以便每个人都可以通过它来进行实验、研究或者简单地玩转文本到图像模型。这就是为什么我们将该库设计为一个模块化的工具箱，让您可以自定义扩散模型的组件，或者直接使用它。 随着🤗 Diffusers迈入一岁，以下是我们与社区的帮助下为该库增加的一些最显著特性的概述。我们为能够成为一个积极参与、推动扩散模型超越仅文本到图像生成的可访问使用，并且在各方面都是一个灵感的社区而感到自豪和无比感激。 目录 追求逼真度 视频流程 文本到3D模型 图像编辑流程 更快的扩散模型 伦理和安全 对LoRA的支持 Torch 2.0优化 社区亮点 使用🤗 Diffusers构建产品 展望未来 追求逼真度 生成式人工智能模型以创建逼真的图像而闻名，但如果您仔细观察，您可能会注意到某些看起来不对劲的事情，比如在手上生成多余的手指。今年，DeepFloyd…

在这篇博文中，我们介绍了图机器学习的基础知识。 我们首先研究了图是什么，为什么要使用图，以及如何最好地表示它们。然后简要介绍了人们在图上学习的方法，从前神经方法（同时探索图特征）到通常称为图神经网络的方法。最后，我们瞥见了用于图的Transformer。 图 什么是图？ 本质上，图是通过关系链接的项目的描述。 图的示例包括社交网络（Twitter、Mastodon、任何将论文和作者链接起来的引用网络）、分子、知识图（如UML图、百科全书和带有页面之间超链接的任何网站）、以其句法树表示的句子、任何三维网格等等！因此，可以说图无处不在。 图的项目（或网络）称为其节点（或顶点），它们之间的连接称为边（或链接）。例如，在社交网络中，节点是用户，边是它们之间的连接；在分子中，节点是原子，边是它们之间的化学键。 具有类型节点或类型边的图称为异构图（例如：引用网络中的项目可以是论文或作者，具有类型节点；XML图中的关系是有类型的，具有类型边）。它不能仅通过其拓扑结构来表示，它需要额外的信息。本文重点介绍同质图。 图也可以是有向的（如关注者网络，A关注B并不意味着B关注A）或无向的（如分子，原子之间的关系是双向的）。边可以连接不同的节点或一个节点本身（自连接），但不是所有节点都需要连接。 如果要使用您的数据，您必须首先考虑其最佳描述方式（同质/异构、有向/无向等）。 图有什么用途？ 让我们看一下我们可以在图上做哪些可能的任务。 在图级别上，主要任务包括： 图生成，在药物发现中用于生成新的合理分子。 图演化（给定一个图，预测它随时间的演化），在物理学中用于预测系统的演化。 图级别的预测（从图中进行分类或回归任务），例如预测分子的毒性。 在节点级别上，通常是节点属性预测。例如，Alphafold使用节点属性预测来预测给定分子的整体图的情况下，原子的三维坐标，从而预测分子在三维空间中的折叠方式，这是一个困难的生物化学问题。 在边级别上，可以是边属性预测或缺失边预测。边属性预测有助于药物副作用预测，可以根据一对药物预测不良副作用。缺失边预测在推荐系统中用于预测图中两个节点是否相关。 还可以在子图级别上进行社区检测或子图属性预测。社交网络使用社区检测来确定人们的联系方式。子图属性预测可以在行程系统（例如Google Maps）中找到，用于预测预计到达时间。 在这些任务上工作可以通过两种方式完成。 当您想要预测特定图的演化时，您可以在遍历设置中进行工作，其中所有内容（训练、验证和测试）都在同一个图上完成。如果这是您的设置，请注意！从单个图创建训练/评估/测试数据集并不简单。然而，大部分工作都是使用不同的图进行的（分开的训练/评估/测试拆分），这被称为归纳设置。 我们如何表示图？ 用于处理和操作图的常见表示方法有： 作为所有边的集合（可能补充有所有节点的集合）…