简介 在数据科学领域，创新与机遇相遇之处，对熟练专业人员的需求不断飙升。数据科学不仅仅是一种职业，它是解决复杂问题、推动创新和塑造未来的门户。行业每年的增长率超过36%，在数据科学领域的职业不仅有经济回报，也有知识满足感。理论知识和实践经验的结合对于在这个充满活力的环境中取得成功至关重要。在数据科学中的指导项目成为理论和实践之间的桥梁，提供在导师的引导下亲身学习的机会。 指导项目是什么？ 在了解指导项目之前，了解一下数据科学职业的吸引力是很重要的。除了复杂的算法和庞大的数据集外，数据科学是解决现实世界挑战、推动行业发展的关键。最近的行业报告显示，数据科学家的中位薪资超过了平均薪资，使其成为一种吸引人的职业选择。行业的快速增长进一步扩大了具备正确技能和专业知识的人的机会。 独立数据科学项目中的挑战 挑战涵盖了管理庞大的数据集、实施复杂的算法和提取有意义的见解。现实世界的数据科学场景要求对技术细节和领域特定细微之处有着细腻的理解。在这里，指导项目的重要性就在于它们提供了一种结构化的方法和专家导师的指导，将困难的旅程转化为有启发性的学习体验。 我们可以帮助您完成的前15个指导项目 以下是我们在我们的BB+计划中涵盖的项目。我们的专家将通过他们卓越的指导帮助您深入了解它们的复杂性。 1. 纽约出租车需求预测 纽约出租车需求预测项目将参与者沉浸在动态的运输分析世界中。借助历史出租车行程数据，参与者深入预测模型来预测纽约市各个位置的出租车需求。该项目磨炼回归分析和时间序列预测技能，并提供关于空间数据可视化的见解。了解和预测出租车需求对于优化车队管理、提高客户服务以及贡献于高效的城市交通系统至关重要。 2. 场景分类挑战 在场景分类挑战中，参与者的任务是开发一个强大的图像分类模型，能够准确地将图像分类到预定义的类别中。利用卷积神经网络（CNNs）和迁移学习等深度学习技术，参与者获得了图像识别方面的实践经验。该项目的目标是构建准确的模型，并在图像分类的背景下理解特征提取、模型训练和验证的细微之处。 3. Pascal VOC图像分割 Pascal VOC图像分割项目向参与者介绍了引人入胜的图像分割世界。利用Pascal VOC数据集，参与者学习如何准确地轮廓绘制图像中的对象。该项目深入探讨语义分割的复杂性，其目标是将图像中的每个像素分配给特定的对象类别。精通图像分割对于计算机视觉、医学图像和自动驾驶等应用至关重要。 4. 场景生成 场景生成将参与者带入生成模型，特别是生成对抗网络（GANs）。其目标是通过生成类似于真实场景的图像来创建逼真的场景。参与者将探索GANs、对抗性训练和潜在空间操作的原理。该项目提高了生成模型的技能，并为创造由AI生成的内容提供了创造性的途径。 5. 大型超市销售预测…
Leave a CommentTag: image
介绍 卷积神经网络（CNNs）在理解图像和模式上起着关键作用，改变了深度学习的领域。旅程始于Yan引入LeNet架构，如今，我们拥有一系列可供选择的CNNs。传统上，这些网络在将事物分类时严重依赖于全连接层。但等等，有些变化正在发生。我们正在探索一种使用逐点卷积（Pointwise Convolution）的不同架构，这是CNNs的一种新鲜改进方法。就像走上一条新的道路一样。这种方法挑战了传统全连接层的常规用法，带来了一些酷炫的优势，使我们的网络更智能、更快。让我们一起来探索逐点卷积的奥秘，发现它如何帮助我们的网络运行更高效，表现更好。 学习目标 了解从早期模型（如LeNet）到现今多种不同架构使用中的卷积神经网络（CNNs）的发展历程。 探索传统全连接层在CNNs中与计算强度和空间信息丢失相关的问题。 探索逐点卷积作为CNNs中高效特征提取的替代方法。 培养实际实现CNNs中的逐点卷积的实践能力，包括网络修改和超参数调整等任务。 本文是《数据科学博客马拉松》的一部分。 理解全连接层 在传统的卷积神经网络（CNNs）中，全连接层在连接每一层的所有神经元上起着关键作用，形成了密集的互联结构。在图像分类等任务中使用这些层，网络通过学习将特定特征与特定类别关联起来。 主要观点 全局连接：全连接层创建了全局连接，使得一层中的每个神经元都与后续层中的每个神经元相连。 参数强度：全连接层中的参数数量之多可能大幅增加模型的参数数量。 空间信息丢失：在全连接层中对输入数据进行扁平化可能导致原始图像的空间信息丢失，这在特定应用中可能是一个缺点。 计算强度：与全连接层相关的计算负荷可能非常大，特别是当网络规模扩大时。 实际应用 在卷积层之后：全连接层通常在CNN架构中的卷积层之后使用，卷积层从输入数据中提取特征。 稠密层：在某些情况下，全连接层被称为“稠密”层，强调其连接所有神经元的作用。 为什么需要变革？ 现在，我们对普通卷积神经网络（CNNs）中的全连接层有了基本的了解，让我们谈谈为什么有些人正在寻找不同的东西。虽然全连接层工作得很好，但它们也面临一些挑战。它们可能会给计算机带来一些负担，使用大量参数，并且有时会丢失图片的关键细节。 我们为什么要探索新的方法： 全连接的阻碍：将全连接层视为一个工作能力强，但存在一些问题的人-它们很有效，但也带来了挑战。 寻找更智能的方式：人们寻求更创新、更高效的建立这些网络的方式，而不带来这些阻碍。 让事情变得更好：目标是使这些网络工作得更好——更快、更智能、更节省计算资源。…
Leave a Comment介绍 在人工智能时代，API是解决企业面临的重要挑战之一，即将AI模型整合到软件和应用中时的高计算要求的一种解决方案。这种解决方案被称为应用程序编程接口（API）。API可以帮助你摆脱维护的麻烦，让你专注于业务逻辑和用户体验。这意味着任何人都可以利用这些API构建和商业化应用。本文将探讨稳定扩散API，这是一组专注于图像生成的生成式AI模型，这些模型对于各种应用程序至关重要。 我们首先将看到Segmind API，这是一个非常高效和有效的选择。这些API已经彻底改变了开发人员、设计师和创作者处理视觉内容生成的方式。我们将探索一些排名前五的稳定扩散API，重点介绍它们的特点、用途、定价等等。 学习目标 深入了解稳定扩散模型。 了解稳定扩散模型的基础知识，包括它们的应用。 了解现代软件开发中的API。 探索API在简化软件和应用开发中的关键作用。 本文是数据科学博文马拉松的一部分。 了解稳定扩散模型 什么是稳定扩散模型？ 稳定扩散模型是一类专注于生成高质量图像的生成式AI模型。这些模型旨在生成具有各种应用的逼真、高分辨率图像。它们的特点是稳定和可靠，对于图像合成、风格转移和数据增强等任务非常有帮助。 稳定扩散模型使用扩散过程生成图像，从而逐渐向图像添加噪声，直到演化为复杂而连贯的输出。这个过程确保生成的图像具有高质量并展现出细节。 什么是API？ API，或应用程序编程接口，是一组规则和协议，允许一个软件应用程序与另一个应用程序、服务或平台的功能或数据进行交互。API是中介，实现软件之间的集成。 在软件开发中，API为开发人员提供了一种访问功能、服务或数据的方式，包括云服务、数据库或AI模型等源，而无需理解底层复杂性。这简化了开发过程，加速了功能丰富应用的创建。 API可以采用多种形式，包括RESTful API、gRPC API和WebSocket API，每种都针对特定的用例。在现代软件中，它们发挥着关键作用，使开发人员能够利用第三方服务和功能的强大能力，同时专注于核心应用程序逻辑。 前五稳定扩散API 让我们来看看我们列表上排名靠前的稳定扩散API，首先是用户友好的Segmind API。 1.…
Leave a Comment介绍 Segmind AI 自豪地发布了 SSD-1B（Segmind Stable Diffusion 1B），这是一种具有颠覆性的开源文本到图像生成模型革命。这个闪电般快速的模型具有前所未有的速度、紧凑设计和高质量的视觉输出。人工智能在自然语言处理和计算机视觉方面取得了快速进展，并展示出重新定义界限的创新。由于其关键特征，SSD 1B 模型是计算机视觉的开拓之门。在这篇全面的文章中，我们深入探讨了该模型的特点、用例、架构、训练信息等等。 学习目标 探索 SSD-1B 的架构概述，了解它如何从专家模型中进行知识蒸馏。 通过在 Segmind 平台上使用 SSD-1B 模型进行快速推理和使用代码推理，获得实践经验。 了解下游用例，了解 SSD-1B 模型如何用于特定任务。 认识 SSD-1B 的局限性，特别是在实现绝对照片逼真度和在某些场景中保持文本清晰度方面。…
Leave a Comment介绍 2023年是一个人工智能的年份，从语言模型到稳定的扩散模型。其中一个新的玩家登上了舞台，那就是由微软开发的KOSMOS-2。它是一个多模态大型语言模型（MLLM），在理解文本和图像方面具有开创性的能力。开发语言模型是一回事，而为视觉创建模型是另一回事，但拥有同时具备这两种技术的模型则是另一个全新层次的人工智能。在本文中，我们将深入探讨KOSMOS-2的特点和潜在应用，以及它对人工智能和机器学习的影响。 学习目标 了解KOSMOS-2多模态大型语言模型。 了解KOSMOS-2如何执行多模态接地和指称表达生成。 深入了解KOSMOS-2在现实世界中的应用。 在Colab中使用KOSMOS运行推理。 本文是作为 数据科学博客马拉松 的一部分发布的。 了解KOSMOS-2模型 KOSMOS-2是微软研究团队的一项成果，他们在一篇名为“Kosmos-2：将多模态大型语言模型接地到世界”的论文中介绍了这个模型。KOSMOS-2旨在同时处理文本和图像，并重新定义我们与多模态数据的交互方式。KOSMOS-2基于基于Transformer的因果语言模型架构构建，类似于其他著名模型如LLaMa-2和Mistral AI的7b模型。 然而，KOSMOS-2的独特训练过程是其与众不同之处。它使用一组庞大的图像-文本对训练数据集，称为GRIT，其中文本以特殊令牌形式包含了对图像中物体的引用边界框。这种创新的方法使KOSMOS-2能够提供对文本和图像的新理解。 什么是多模态接地？ KOSMOS-2的一个亮点功能是其执行“多模态接地”的能力。这意味着它可以为图像生成描述对象及其在图像中的位置的字幕。这大大减少了语言模型中的“幻觉”问题，极大地提高了模型的准确性和可靠性。 这个概念通过独特的令牌将文本与图像中的对象联系起来，有效地将对象“接地”到视觉环境中。这减少了幻觉，增强了模型生成准确图像字幕的能力。 指称表达生成 KOSMOS-2在“指称表达生成”方面也表现出色。这个功能允许用户以图像中特定边界框和问题的方式提示模型。然后，模型可以回答有关图像中特定位置的问题，为理解和解释视觉内容提供了强大的工具。 这种令人印象深刻的“指称表达生成”用例允许用户使用提示，并为与视觉内容的自然语言交互打开了新的途径。 使用KOSMOS-2进行代码演示 我们将看到如何在Colab上使用KOSMOS-2模式进行推理。在这里找到完整的代码：https://github.com/inuwamobarak/KOSMOS-2 步骤1：设置环境 在这一步中，我们安装必要的依赖库，如🤗 Transformers、Accelerate和Bitsandbytes。这些库对使用KOSMOS-2进行高效推理至关重要。 !pip install…
Leave a Comment介绍 2023年即将结束，对计算机视觉界而言，令人兴奋的消息是，谷歌最近在零样本目标检测领域取得了重大进展，并发布了OWLv2。这款尖端模型现在已经在🤗 Transformers中可用，并代表着迄今为止最强大的零样本目标检测系统之一。它基于去年推出的OWL-ViT v1模型打下了坚实的基础。 在本文中，我们将介绍该模型的行为和架构，并展示如何进行推理的实践方法。让我们开始吧。 学习目标 了解计算机视觉中零样本目标检测的概念。 了解谷歌OWLv2模型背后的技术和自我训练方法。 使用OWLv2的实际方法。 本文作为Data Science Blogathon的一部分发表。 OWLv2背后的技术 OWLv2的强大能力归功于其新颖的自我训练方法。该模型在一个包含超过10亿个示例的Web规模数据集上进行了训练。为了实现这一点，作者利用了OWL-ViT v1的强大功能，使用它生成伪标签，然后用这些伪标签来训练OWLv2。 此外，该模型还在检测数据上进行了微调，从而提高了其前身OWL-ViT v1的性能。自我训练为开放世界定位提供了Web规模的训练，与目标分类和语言建模领域的趋势相呼应。 OWLv2架构 尽管OWLv2的架构与OWL-ViT相似，但其目标检测头部有一个显著的补充。现在它包括一个目标性分类器，用于预测预测框中包含物体的可能性。目标性得分提供了洞察力，并可用于独立于文本查询对预测进行排序或筛选。 零样本目标检测 零样本学习是一个新的术语，自从GenAI的趋势以来变得流行起来。它通常在大型语言模型（LLM）的微调中见到。它涉及使用一些数据对基础模型进行微调，使其扩展到新的类别。零样本目标检测是计算机视觉领域的一个改变者。它的核心是使模型能够在图像中检测物体，而无需手工注释边界框。这不仅加快了处理速度，还减少了手工注释的需求，使其对人类更具吸引力和乐趣。 如何使用OWLv2？ OWLv2遵循与OWL-ViT类似的方法，但使用了更新的图像处理器Owlv2ImageProcessor。此外，该模型依赖于CLIPTokenizer对文本进行编码。Owlv2Processor是一个方便的工具，结合了Owlv2ImageProcessor和CLIPTokenizer，简化了文本编码过程。以下是使用Owlv2Processor和Owlv2ForObjectDetection进行对象检测的示例。 在此处找到完整的代码：https://github.com/inuwamobarak/OWLv2 步骤1：设置环境…
Leave a Comment简介 在一个正在经历技术革命的世界中，人工智能和医疗保健的融合正在重新塑造医学诊断和治疗的格局。在这一转变背后默默支持的是大型语言模型（LLMs）在医疗、健康领域和主要的文本分析中的应用。本文深入探讨了LLMs在基于文本的医疗应用领域的作用，并探索了这些强大的人工智能模型如何革新医疗保健行业。 图片来源-约翰·斯诺实验室 学习目标 了解大型语言模型（LLMs）在医学文本分析中的作用。 认识现代医疗保健中医学影像的重要性。 了解医学影像在医疗保健中所面临的挑战。 理解LLMs在自动化医学文本分析和诊断中的辅助作用。 欣赏LLMs在分诊关键医疗案例中的效率。 探索LLMs如何根据患者病史贡献个性化治疗计划。 理解LLMs在协助放射科医师中发挥的协同作用。 发现LLMs在医学生和医疗从业人员教育中的作用。 本文是数据科学博文马拉松的一部分。 医学影像和医疗保健的未见世界 在我们深入了解LLMs的世界之前，让我们先停下来欣赏医学影像的存在。它是现代医学中的支柱，帮助可视化和检测疾病，并监测许多治疗进展。尤其是放射学在X射线、核磁共振、CT扫描等医学影像方面依赖重大。 然而，这些医学影像的宝库也带来了一个挑战：庞大的数量。医院和医疗机构每天使用大量的医学影像。人工分析和解读这一泛滥的数据是困难、耗时且容易出错的。 图片来源-一步到位诊断 除了在分析医学影像方面发挥关键作用外，大型语言模型在理解和处理基于文本的医学信息方面也表现优秀。它们有助于理解复杂的医学术语，甚至帮助解释笔记和报告。LLMs提供更高效、更准确的医学文本分析，提升医疗专业人员和医学分析的整体能力。 有了这样的认识，让我们进一步探索LLMs在医学影像和文本分析中如何革新医疗保健行业。 LLMs在医学文本分析中的应用 在了解大型语言模型在医疗保健领域中扮演的多面角色之前，让我们简要看一下它们在医学文本分析领域的主要应用： 疾病诊断和预后：LLMs可以搜索大量的医学文本数据库，协助医疗保健提供者诊断各种疾病。它们不仅可以帮助初步诊断，还可以根据足够的上下文信息对疾病的进展和预后进行有根据的猜测。 临床记录和电子健康记录：处理广泛的临床文件可能对医疗专业人员来说是耗时的。LLMs提供了一种更高效的方法来转录、总结和分析电子健康记录（EHR），使医疗保健提供者能够更专注于患者护理。 药物发现和重用：通过挖掘大量的生物医学文献，LLMs可以找到潜在的药物候选，并提出现有药物的替代用途，加速了药理学中的发现和重用过程。 生物医学文献分析：不断增长的医学文献库可能令人不知所措。LLMs可以筛选出大量的科学论文，识别关键发现，并提供简洁的摘要，帮助更快地吸收新知识。…
Leave a Comment介绍 本文将介绍一种计算机视觉技术——图像语义分割。虽然听起来很复杂，但我们会一步一步解析它，并介绍一种使用密集预测变换器（DPTs）实现的图像语义分割概念，这是从Hugging Face的集合中选择的。使用DPTs引入了一个具有非同寻常能力的新阶段。 学习目标 DPTs相对于传统对远程连接的理解的比较。 使用Python实现使用DPT进行深度预测的语义分割。 探索DPT设计，理解它们独特的特点。 本文是数据科学博文马拉松的一部分。 什么是图像语义分割？ 想象一下，你有一张图像，并希望根据图像中每个像素的表示对其进行标注。这就是图像语义分割的概念。它可以用于计算机视觉，区分汽车和树木，或者分离图像的不同部分；这一切都是为了智能地标记像素。然而，真正的挑战在于理解对象之间的上下文和关系。让我们将其与处理图像的旧方法进行比较。 卷积神经网络（CNNs） 第一个突破是使用卷积神经网络来处理涉及图像的任务。然而，CNNs有一些限制，尤其是在捕捉图像中的长距离连接方面。想象一下，如果你试图理解图像中不同元素在长距离上是如何相互作用的，传统的CNNs会遇到困难。这就是我们赞美DPT的地方。这些模型基于强大的变换器架构，具备捕捉关联的能力。我们将在接下来看到DPTs。 什么是密集预测变换器（DPTs）？ 要理解这个概念，想象一下将我们之前在NLP任务中使用的变换器的强大能力与图像分析相结合。这就是密集预测变换器背后的概念。它们就像图像世界中的超级侦探一样。它们不仅能够标记图像中的每个像素，还可以预测每个像素的深度——这在某种程度上提供了有关每个对象与图像之间的距离的信息。我们将在下面看到这一点。 DPT架构工具箱 DPTs有不同类型，每种类型都有其“编码器”和“解码器”层。让我们在这里看一下两种流行的类型： DPT-Swin-Transformer：将其想象为具有10个编码器层和5个解码器层的超级变换器。它擅长理解图像中不同级别的元素之间的关系。 DPT-ResNet：这个类型就像是一个聪明的侦探，具有18个编码器层和5个解码器层。它善于发现远距离对象之间的联系，同时保持图像的空间结构完整性。 关键特点 以下是关于DPTs如何使用一些关键特点的更详细说明： 分层特征提取：就像传统的卷积神经网络（CNNs）一样，DPTs从输入图像中提取特征。然而，它们采用一种分层的方法，将图像分为不同层次的细节。正是这种层次结构有助于捕捉局部和全局上下文，使模型能够理解不同尺度上对象之间的关系。 自注意机制：这是DPTs的核心，受原始变换器架构启发，使模型能够捕捉图像内的长程依赖关系，并学习像素之间的复杂关系。每个像素都考虑来自所有其他像素的信息，使模型对图像有整体的理解。 使用DPTs进行图像语义分割的Python演示 我们将在下面看到DPTs的实现。首先，让我们通过安装Colab上未预安装的库来设置环境。您可以在这里或https://github.com/inuwamobarak/semantic-segmentation找到此代码。 首先，我们安装并设置环境。…
Leave a Comment简介 在商业竞争中，将人工智能（AI）整合到我们的应用程序中变得愈发必要。添加这些AI功能可以提升用户体验、自动化任务并提供有价值的见解。由于我们拥有多种多样的GenAI模型，所以有很多可能性。然而，将AI整合到您的应用程序中可能会很复杂，特别是与GenAI这种新趋势相结合，其中许多过程仍在试验阶段。因此，假设您想了解如何将GenAI整合到您的个人应用程序或软件中，例如时尚应用程序，那么本文旨在通过使用Segmind API和Postman实现GenAI应用程序集成以简化此过程。 学习目标 了解Segmind模型和API 了解Segmind中的GenAI集成API 使用Segmind API中的Postman 本文是发布在数据科学博客马拉松的一部分。 理解Segmind模型API 要全面了解Segmind的GenAI API，您必须了解其目的、功能和优点。一些值得关注的潜在用例包括电子商务应用程序的图像识别、时尚设计、动画、背景去除、艺术作品、绘画、漫画等。除了易于使用，Segmind AI还通过网站上的API和游乐场提供可用的GenAI模型，网址为https://www.segmind.com/models。在本文中，我们将使用API推断调用。选择适合您任务的模型并使用可用的API脚本非常简单。下面是一个示例，展示了一个可在https://www.segmind.com/models/sd1.5-outpaint/api找到的稳定扩散1.5超出模型。 import requestsfrom base64 import b64encodedef toB64(imgUrl): return str(b64encode(requests.get(imgUrl).content))[2:-1]api_key = “YOUR API-KEY”url =…
Leave a Comment介绍 刑事科学中的生成式人工智能（Generative AI）涉及将人工智能技术应用于生成数据、图像或其他与法庭证据相关的信息。这项技术有潜力通过帮助调查人员进行图像和视频分析、文档伪造检测、现场重建等任务来彻底改变刑事科学。长期以来，刑事科学依靠对物证的细致检查来解决犯罪问题。然而，随着技术的快速发展，该领域已经开始采用人工智能（AI），尤其是生成式人工智能，以增强其能力。在本文中，我们将探讨生成式人工智能在刑事科学中的实际应用，并提供一些应用的代码实现。 https://www.analyticsinsight.net/wp-content/uploads/2021/08/AI-in-Forensic-Investigation-and-Crime-Detection.jpg 学习目标 了解生成式人工智能（包括生成对抗网络（GANs）和孪生网络）在刑事科学中的实际应用场景。 学习如何实现图像重建、指纹识别和文档伪造检测等关键生成式人工智能算法。 了解在刑事调查中使用人工智能的伦理考虑，包括数据隐私和公平性问题。 本文作为数据科学博客马拉松的一部分发表。 利用生成式人工智能增强图像重建 利用生成式人工智能增强图像重建已成为刑事科学中的一项突破性进展，为图像分析和证据解释提供了一种革新性的方法。在这一领域的研究论文中，生成式对抗网络（GANs）和其他生成式人工智能技术的巨大潜力得到了突出展示。这些创新技术使得刑事调查人员能够重建和增强来自各种来源的图像，包括监控摄像头、低分辨率照片或像素化图像，在犯罪调查中提供了宝贵的支持。 生成式人工智能，特别是GANs，利用由生成器和判别器组成的双网络架构生成逼真、高质量的图像。通过对多样化图像数据集进行训练，GANs学习理解视觉数据中的模式、纹理和结构。在刑事科学中，这项技术使专家们能够从模糊、碎片化或不完整的图像中揭示关键细节。此外，GANs已被用于人脸识别和合成素描生成，帮助执法机构更准确地识别潜在嫌疑人。重建犯罪现场和生成缺失证据也彻底改变了调查过程，实现了更全面和数据驱动的分析。随着利用生成式人工智能增强图像重建的研究不断推进，解决复杂刑事案件和确保正义的潜力变得越来越有希望，巩固了其在现代刑事科学中的转型力量。 https://aihubprojects.com/forensic-sketch-to-image-generator-using-gan/ 使用GANs进行图像超分辨率 import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import…
Leave a Comment介绍 扩散模型近年来引起了广泛关注，尤其在自然语言处理（NLP）领域。基于通过数据传播噪声的概念，这些模型在各种NLP任务中展现出了显著的能力。在本文中，我们将深入研究扩散模型，了解它们的基本原理，并探讨实际应用、优势、计算考虑因素、扩散模型在多模态数据处理中的相关性、预训练扩散模型的可用性以及挑战。我们还将通过代码示例展示它们在实际场景中的有效性。 学习目标 理解扩散模型在随机过程中的理论基础以及噪声在数据优化中的作用。 掌握扩散模型的架构，包括扩散和生成过程，以及它们如何迭代改善数据质量。 掌握使用PyTorch等深度学习框架实现扩散模型的实际知识。 本文是数据科学博客马拉松的一部分。 理解扩散模型 研究人员将扩散模型根植于随机过程理论，并设计它们通过迭代优化噪声数据来捕捉潜在的数据分布。关键思想是从输入数据的噪声版本开始，并逐步改进它们，就像扩散一样，信息逐渐传播到一个VoAGI中。 该模型通过在每个步骤中引入和消除噪声，迭代地将数据转化为接近真实潜在数据分布的过程。它可以被看作是一个类似于扩散的过程，其中信息逐渐在数据中传播。 在扩散模型中，通常有两个主要过程： 扩散过程：该过程通过添加噪声对数据进行迭代优化。在每个步骤中，将噪声引入数据，使其变得更加嘈杂。然后，模型旨在逐渐减少这种噪声，以逼近真实的数据分布。 生成过程：在数据经过扩散过程后，应用生成过程。该过程根据改进后的分布生成新的数据样本，有效地产生高质量的样本。 下图突出显示了不同生成模型工作方式的差异。 不同生成模型的工作方式：https://lilianweng.github.io/posts/2021-07-11-diffusion-models/ 理论基础 1. 随机过程： 扩散模型建立在随机过程的基础上。随机过程是描述随机变量随时间或空间演化的数学概念。它以概率的方式模拟系统随时间的变化。在扩散模型的情况下，该过程涉及迭代优化数据。 2. 噪声： 扩散模型的核心概念是噪声。噪声指的是数据中的随机变异或不确定性。在扩散模型的上下文中，引入噪声到输入数据中，创建数据的噪声版本。 这里的噪声指的是粒子位置的随机波动。它代表了测量中的不确定性或扩散过程本身的固有随机性。噪声可以建模为从分布中采样的随机变量。在简单的扩散过程中，通常将其建模为高斯噪声。 3. 马尔可夫链蒙特卡洛（MCMC）：…
Leave a Comment介绍 在这场令人兴奋的技术与创造力的融合中，人工智能（AI）赋予了图像生成以生命，改变了我们对创造力的理解。本博客探讨了“人工智能与图像生成的美学”，它涉及到像神经风格迁移和生成对抗网络（GANs）这样的AI技术在艺术表达中的技术方面。当像素和算法融合在一起时，数学准确性和美学吸引力之间的共生表现是显而易见的。让我们一起探究这种联系，并重新定义在人工智能和人类视觉共同推动创造力边界的时代中成为艺术家的含义。 学习目标 你将学习一些图像生成的方法。 你将了解创造力和技术融合的重要性。 我们将检查AI生成艺术的视觉质量。 你将了解人工智能对创造力的影响。 本文是数据科学博客马拉松的一部分。 图像生成的演变 人类的双手和创造力主要塑造了图像生成的起源。艺术家使用画笔、铅笔和其他材料精心创作视觉表现。随着数字时代的到来，计算机开始在这个领域发挥更大的作用。计算机图形最初是基础的、像素化的，缺乏人类触感的优雅。随着算法的改进，图像得到了增强，但仍然只是算法。 人工智能现在处于巅峰状态。在深度学习和神经网络的进步，特别是生成对抗网络（GANs）的改进之后，AI领域取得了显著发展。 AI已经从一个工具发展成为一个合作伙伴。由于它们的网络方法，GANs开始产生有时与照片有所不同的图像。 利用创造性AI探索风格和流派 创造性AI是一种可以帮助我们探索艺术、音乐和写作中不同风格和流派的工具。想象一下拥有一个能够分析著名绘画并创建融合不同风格的新艺术品的计算机程序。 在视觉艺术的世界中，创造性AI就像一个数字画家，可以以多种风格生成图像。想象一个计算机程序，它已经看过数千幅图片，从古典肖像到现代抽象艺术。通过学习这些图片，AI可以创作融合不同风格甚至发明风格的新图像。 例如，你可以生成将逼真的纹理与富有想象力的角色相结合的图像。这使得艺术家和设计师可以尝试各种创新思路，并开发出有趣的角色和独特的设计，这些设计是以前从未被考虑过的。 伦理问题的考虑 给予原创艺术家应有的认可：给予启发AI创作的艺术家应有的认可是一个关键问题。如果AI创建了类似于著名绘画的作品，我们应该确保原创艺术家得到应有的赞誉。 所有权和版权：谁拥有AI创作的艺术品？是编写AI程序的人，还是启发AI的艺术家共享所有权？为了避免冲突，必须明确回答这些问题。 AI中的偏见：AI在创作艺术时可能更偏好某些风格或文化。这可能是不公平的，应该仔细考虑以保护所有艺术形式。 可访问性：如果只有少数人能够使用新的AI工具，这对其他希望使用它们并利用它们提高生产力的人来说是不公平的。 数据隐私：当AI研究艺术以学习如何创作自己的艺术时，通常需要使用许多图像和数据。 情感影响：如果AI创作出与人类创作的艺术类似的作品，原创作品的情感价值可能会被忽视。 像许多其他技术和传统的交汇点一样，人工智能和艺术的交汇点是令人兴奋和具有挑战性的。伦理关切确保增长符合理想和包容性。 创建图像的方法论…
Leave a Comment介绍 Swin Transformer 是视觉 Transformer 领域的一项重大创新。Transformer 在各种任务中展示了出色的性能。在这些 Transformer 中，Swin Transformer 作为计算机视觉的骨干，提供了无与伦比的灵活性和可扩展性，以满足现代深度学习模型的需求。现在是时候发掘这个 Transformer 的全部潜力，见证其令人印象深刻的能力。 学习目标 本文旨在介绍 Swin Transformer，这是一类强大的分层视觉 Transformer。通过阅读本文，您应该了解以下内容： Swin Transformer 的关键特性 它们在计算机视觉模型中作为骨干的应用 Swin Transformer 在图像分类、物体检测和实例分割等各种计算机视觉任务中的优势。…
Leave a Comment到2023年，最好的AI图像生成器要复杂和先进得多，促进了独特的设计。设计师们可以使用无缝解决方案来应对时间限制和创意障碍，从而打开无限创意可能的王国。本文将研究2023年的前10个AI图片生成器工具，为设计师提供创造视觉震撼内容的新自由。让我们一起探索当今的AI图片生成技术如何改变创意产业。 什么是AI图像生成器？ 通常被称为AI图像生成器的是一种利用学习现有数据的模式来创建或生成新图像的AI技术。这种图像生成器的其他技术名称包括AI驱动的图像合成工具或生成对抗网络（GAN）。 生成对抗网络由两个神经网络组成，一个是生成器，另一个是判别器。这两个网络同时进行竞争性的过程。生成器创建新鲜图像，判别器将其与数据集进行比较。由于生成器越来越逼真的视觉效果，它积累经验后可以在艺术、设计、娱乐等各个领域得到广泛应用。 AI图像生成器如何帮助设计师？ 设计师们通过AI图像生成器可以获得各种好处： 可访问性：AI生成的图片可以使那些没有实质性设计经验的人更容易获得内容制作和设计工具。 艺术协作：借助AI技术，设计师和艺术家可以合作创作将人类创新与AI生成特征相结合的混合艺术作品。 增强创造力：AI图像生成器可以作为动力的源泉，鼓励设计师们在限制之外探索，尝试新颖的设计方法。 探索风格：设计专业人员可以尝试许多艺术和审美风格，从而扩大他们的创意可能性。 创意生成：设计师可以快速产生各种设计概念和变体，探索新鲜的概念和角度。 个性化和定制：设计师可以应用人工智能来生成根据特定客户、受众或品牌原则定制的个性化视觉效果。 时间效率：通过自动化单调的流程，AI生成器可以大大加快设计过程，使设计师能够集中精力进行更富有想象力和战略性的工作。 视觉原型：设计师可以在进行大量手动设计工作之前，借助AI生成器产生的视觉原型和模型来可视化想法。 前10个AI图像生成器 以下是2023年前10个经过仔细评估的AI图像生成器的列表： 工具名称 应用 免费使用 起始高级价格 最佳用途 Jasper Art 无 7天试用…
Leave a Comment人工智能最显著的一种表现形式之一是AI视频生成器的出现，它们在文本和图像之间无缝地建立了桥梁，革新了内容创作。在一个越来越注重视觉的时代，AI视频生成器提供了一种创新的解决方案，超越了传统的内容创作方法。本文重点介绍AI视频生成器，探讨它们的变革能力以及它们如何将文字概念转化为引人入胜和富有表现力的视频。 什么是AI视频生成器？ AI视频生成器使用人工智能（AI）技术，特别是深度学习和神经网络，自动创建视频。它涉及在大型视频剪辑和图像数据集上训练模型，以学习不同类型视频中存在的模式、风格和特征。一旦训练完成，这些AI模型可以通过组合和操作视觉和音频元素来生成新的视频。 AI视频生成器能够产生各种类型的视频，包括动画、视觉效果、Deepfake甚至逼真的人类模拟。它们被用于各种应用，从娱乐和内容创作到市场营销和虚拟环境。这些生成器可以显著加速视频制作过程，并以较少的人工努力创造出引人入胜和动态的视觉内容。然而，它们的使用引发了伦理问题，特别是关于Deepfake技术及其潜在滥用的问题。 2023年使用的前11个AI视频生成器 在不断变化的内容创作领域，基于AI的视频生成器已经成为强大的工具，重新塑造了我们将文本转化为引人入胜视频的方式。当我们进入2023年时，有许多平台利用人工智能的力量来革新视频制作。以下是前11个AI视频生成器，以其独特的功能、用户友好的界面和变革潜力脱颖而出： Pictory Synthesia HeyGen Deepbrain AI Synthesys InVideo Veed.io Elai.io Colossyan FlexClip Wave Video 还阅读过：前5个AI语音生成器：用下一代语音解决方案增强您的业务 Pictory Pictory通过将基于AI的文本转视频转换与广泛的库存素材相结合，使自己与众不同。这种多样性使创作者能够无缝地创作内容，将文字概念转化为引人入胜的叙事。Pictory将AI技术和多样化的视觉元素融合在一起，使其成为多功能内容创作的领跑者。 了解如何使用Pictory生成AI视频 来源：Pictory Synthesia…
Leave a CommentIntroduction 深度卷积生成对抗网络（DCGANs）通过结合生成对抗网络（GANs）和卷积神经网络（CNNs）的强大能力，彻底改变了图像生成领域。DCGAN模型可以创建出极其逼真的图像，使其成为各种创意应用的重要工具，例如艺术生成、图像编辑和数据增强。在本逐步指南中，我们将向您介绍使用Python和TensorFlow构建DCGAN模型的过程。 DCGAN在艺术和娱乐领域中被证明是非常有价值的，使艺术家能够创造出新颖的视觉体验。此外，在医学影像领域，DCGAN可以生成高分辨率的扫描图像，提高诊断准确性。它们在数据增强方面的作用可以增强机器学习模型，同时它们还通过模拟逼真的环境来为建筑和室内设计做出贡献。通过无缝地融合创造力和技术，DCGAN已经超越了单纯的算法，在不同领域推动了创新进展。通过本教程的最后，您将拥有一个结构良好的DCGAN实现，可以从随机噪声生成高质量的图像。 本文是Data Science Blogathon的一部分。 先决条件 在我们开始实现之前，请确保您已安装了以下库： TensorFlow：pip install tensorflow NumPy：pip install numpy Matplotlib：pip install matplotlib 确保您对GAN和卷积神经网络有基本的了解。熟悉Python和TensorFlow也将有所帮助。 数据集 为了演示DCGAN模型，我们将使用著名的MNIST数据集，其中包含从0到9的手写数字的灰度图像。每个图像是一个28×28像素的正方形，使其成为一个完美的数据集。MNIST数据集已经预加载在TensorFlow中，因此很容易访问和使用。 导入 让我们首先导入必要的库： import tensorflow as…
Leave a Comment在不断演进的人工智能艺术创作领域，Nvidia推出了一种革命性的文本到图像个性化方法，称为Perfusion。与其庞大的竞争对手不同，Perfusion以仅100KB的紧凑尺寸和4分钟的极速训练时间独树一帜。这款尖端人工智能工具提供了前所未有的创作自由，使用户能够描绘个性化概念，并保留其核心特征。在本文中，我们深入探讨了Perfusion这个引人入胜的世界，探索了它如何超越其他人工智能艺术生成器，以及Nvidia的创新方法如何赋予他们竞争优势。 还阅读：OpenAI推出Dall E-3：下一代人工智能图像生成器！ 密钥锁定：Perfusion创新的核心 Perfusion成功的关键在于其新颖的“密钥锁定”技术。通过在图像生成过程中将特定概念与更广泛的类别链接起来，Perfusion可以避免过拟合，并生成多种创意版本，同时保留所期望概念的本质。这一突破使用户能够个性化图像，并在保持其独特特征的同时添加特定对象，如猫或椅子。 将个性化概念与自然交互相结合 与现有的单独学习概念的人工智能艺术工具不同，Perfusion允许多个个性化概念在单个图像中共存，并具有自然交互。用户可以通过文本提示引导图像创建过程，合并多个概念。这一卓越功能为艺术家和创意人士开辟了令人兴奋的实验和创作独特视觉杰作的可能性。 灵活性和定制化的力量 Perfusion的紧凑尺寸和高效性使用户能够在图像生成过程中控制视觉保真度和文本对齐的平衡。通过调整一个100KB的模型，用户可以探索Pareto前沿，并选择适合其特定需求的最佳权衡，而无需重新训练。这种定制水平使Perfusion与其庞大的竞争对手区别开来。 还阅读：Stability AI的稳定扩散XL 1.0：人工智能图像生成的突破 卓越的视觉质量和对齐 Nvidia声称，与其他领先的人工智能技术相比，Perfusion生成的图像质量和对齐效果更好。虽然其他人工智能图像生成器可能提供微调选项，但其庞大的尺寸可能是一个缺点。相比之下，Perfusion的高效性使得有针对性的更新成为可能，使其能够以精确度和准确性超越更大的模型。 Nvidia对人工智能的日益关注 随着对人工智能技术的需求激增，Nvidia战略性地将自己定位为该领域的主导者。该公司的股价飙升，其GPU在训练人工智能模型方面处于领先地位。尽管在生成式人工智能领域，Anthropic、Google、Microsoft和百度等实体存在激烈竞争，但Nvidia的创新Perfusion模型可能给他们带来优势。 还阅读：NVIDIA构建AI超级计算机DGX GH200 我们的观点 Nvidia的Perfusion是人工智能艺术创作领域的一次革命。凭借其紧凑的尺寸、极速的训练时间和无与伦比的创作灵活性，Perfusion为图像个性化设定了新的标准。随着Nvidia准备发布这一突破性技术的代码，艺术家和创意人士都可以期待释放他们的想象力，创造令人惊叹的视觉体验。随着人工智能领域的不断发展，Perfusion的影响力必将塑造人工智能艺术的未来，并为创意表达开启新的可能性。
Leave a Comment介绍 糖尿病视网膜病变是一种导致视网膜血管变化的眼部疾病。如果不及时治疗，会导致视力丧失。因此，检测糖尿病视网膜病变的阶段对于预防眼盲至关重要。本案例研究旨在从糖尿病视网膜病变症状中检测眼盲，以防止患者眼盲。这些数据是通过各种训练有素的临床专家使用眼底相机（拍摄眼部后部的相机）在农村地区收集的。这些照片是在各种成像条件下拍摄的。2019年，Kaggle举办了一个竞赛（APTOS 2019盲人检测），用于检测糖尿病视网膜病变的阶段；我们的数据来自同一个Kaggle竞赛。早期发现糖尿病视网膜病变可以加快治疗并显著降低视力丧失的风险。 训练有素的临床专家的人工干预需要时间和精力，尤其是在不发达国家。因此，本案例研究的主要目标是使用高效的技术来检测疾病的严重程度，以预防眼盲。我们采用深度学习技术来获得对疾病严重程度进行分类的有效结果。 学习目标 了解糖尿病视网膜病变：了解眼部疾病及其对视力的影响，强调早期检测的重要性。 深度学习基础知识：探索深度学习的基础知识及其在诊断糖尿病视网膜病变中的相关性。 数据预处理和增强：了解如何有效地准备和增强用于训练深度学习模型的数据集。 模型选择和评估：学习选择和评估用于严重程度分类的深度学习模型。 实际部署：了解使用Flask进行实际预测的最佳模型的部署。 本文是数据科学博客马拉松的一部分。 业务问题 在这里，人的病情严重程度被分为五个类别，即多类别分类，因为一个人只能被识别为其中一种严重程度。 业务约束 在医疗领域，准确性和可解释性非常重要。因为错误的预测会导致忽视病情，可能夺走一个人的生命，我们没有任何严格的延迟关注，但我们必须对结果准确。 数据集描述 数据集包括3,662张已标记的临床患者视网膜图像，训练有素的临床专家根据糖尿病视网膜病变的严重程度对每个图像进行分类，如下所示。 0 — 无糖尿病视网膜病变， 1 — 轻度， 2 —…
Leave a Comment介绍 变分自编码器（VAEs）是显式设计用于捕捉给定数据集的潜在概率分布并生成新样本的生成模型。它们采用了一个由编码器-解码器结构组成的架构。编码器将输入数据转换为潜在形式，解码器旨在基于这个潜在表示重构原始数据。VAE被编程为最小化原始数据和重构数据之间的差异，使其能够理解底层数据分布并生成符合相同分布的新样本。 VAEs的一个显著优势是它们能够生成类似于训练数据的新数据样本。由于VAE的潜在空间是连续的，解码器可以生成在训练数据点之间平滑插值的新数据点。VAEs在密度估计和文本生成等各个领域都有应用。 本文是数据科学博文马拉松的一部分。 变分自编码器的架构 一个VAE通常由两个主要组件组成：一个编码器连接和一个解码器连接。编码器网络将输入数据转换为低维的“秘密空间”，通常被称为“秘密代码”。 可以研究使用各种神经网络拓扑结构（如全连接或卷积神经网络）来实现编码器网络。所选择的架构基于数据的特性。编码器网络生成必要的参数，如高斯分布的均值和方差，以用于采样和生成潜在代码。 同样，研究人员可以使用各种类型的神经网络构建解码器网络，其目标是从提供的潜在代码中重构原始数据。 变分自编码器的架构示例：fen VAE包括一个编码器网络，将输入数据映射到潜在代码，并且包括一个解码器网络，通过将潜在代码转换回重构数据来进行逆操作。通过进行这个训练过程，VAE学习到了一个优化的潜在表示，捕捉了数据的基本特征，从而实现精确的重构。 关于正则化的直觉 除了架构方面，研究人员还对潜在代码应用正则化，使其成为VAE的重要元素。这种正则化通过鼓励潜在代码的平滑分布而防止过拟合，而不仅仅是简单地记住训练数据。 正则化不仅有助于生成在训练数据点之间平滑插值的新数据样本，还有助于VAE生成类似于训练数据的新数据。此外，这种正则化还防止解码器网络完美地重构输入数据，促进学习更一般的数据表示，增强VAE生成多样化数据样本的能力。 在VAE中，研究人员通过将Kullback-Leibler（KL）散度项纳入损失函数来数学表达正则化。编码器网络生成高斯分布的参数（如均值和对数方差），用于对潜在代码进行采样。VAE的损失函数包括计算学习到的潜在变量的分布与先验分布（正态分布）之间的KL散度。研究人员将KL散度项纳入损失函数中，以鼓励潜在变量具有与先验分布类似的分布。 KL散度的公式如下： KL(q(z∣x)∣∣p(z)) = E[log q(z∣x) − log p(z)] 总之，VAE中的正则化起着增强模型生成新数据样本的能力并减轻过拟合训练数据风险的关键作用。 VAE的数学细节 概率框架和假设…
Leave a Comment介绍 图像深度估计是指确定图像中物体与观察者的距离。这是计算机视觉中的一个重要问题，因为它有助于创建3D模型、增强现实和自动驾驶汽车等技术。过去，人们使用立体视觉或特殊传感器等技术来估计深度。但现在，有一种名为深度预测Transformer（DPTs）的新方法使用深度学习来进行深度估计。 DPTs是一种可以通过观察图像来学习估计深度的模型。在本文中，我们将通过实际编码来了解DPTs的工作原理、它们的用途以及在不同应用中可以做什么。 学习目标 了解DPTs（Dense Prediction Transformers）的概念及其在图像深度估计中的作用。 探索DPTs的架构，包括视觉Transformer和编码器-解码器框架的组合。 使用Hugging Face Transformer库实现DPT任务。 认识DPTs在各个领域中的潜在应用。 本文作为Data Science Blogathon的一部分发表。 理解深度预测Transformer 深度预测Transformer（DPTs）是一种独特的深度学习模型，专门用于估计图像中物体的深度。它们利用了一种特殊类型的架构，称为Transformer，最初是为处理语言数据而开发的。然而，DPTs将这种架构进行了调整和应用，以处理视觉数据。DPTs的一个关键优势是它们能够捕捉图像各个部分之间的复杂关系，并对跨越较长距离的模型依赖进行建模。这使得DPTs能够准确地预测图像中物体的深度或距离。 深度预测Transformer的架构 深度预测Transformer（DPTs）通过将视觉Transformer和编码器-解码器框架结合起来，对图像进行深度估计。编码器组件使用自注意机制捕捉和编码特征，增强了对图像不同部分之间关系的理解。这提高了特征分辨率，并允许捕捉细粒度的细节。解码器组件通过将编码特征映射回原始图像空间，利用上采样和卷积层等技术来重建密集的深度预测。DPTs的架构使得模型能够考虑场景的全局上下文和不同图像区域之间的模型依赖关系，从而得出准确的深度预测。 总之，DPTs利用视觉Transformer和编码器-解码器框架对图像进行深度估计。编码器捕捉特征并使用自注意机制对其进行编码，解码器通过将编码特征映射回原始图像空间来重建密集的深度预测。这种架构使得DPTs能够捕捉细粒度的细节、考虑全局上下文并生成准确的深度预测。 使用Hugging Face Transformer实现DPT 我们将使用Hugging Face…
Leave a Comment欢迎回到我们图像处理系列的第二集的第三部分！在系列的前几部分中，我们讨论了傅里叶变换和白平衡技术，现在我们…
Leave a Comment丰田研究所（TRI）在汽车设计领域宣布了一个消息。他们推出了一种革命性的生成式人工智能（AI）技术，以改变电动汽车（EVs）的设计方式。通过这项新技术，丰田旨在克服常常阻碍手动开发EV设计的限制。让我们深入探讨这个令人兴奋的突破。 还要阅读：Tech Mahindra CEO接受Sam Altman的AI挑战 增强创意过程 设计师现在可以利用公开的文本到图像生成AI工具作为他们创意过程的早期步骤。TRI的创新技术允许设计师将初始设计草图和工程限制纳入这个过程，大大减少了调和设计和工程考虑所需的迭代次数。这不仅节省时间，而且提高了设计过程的效率。 还要阅读：Meta推出“人类化”设计师AI以用于图像 更快、更高效的设计 实现TRI的新技术有可能彻底改变电动汽车的设计。通过直接将工程限制纳入设计过程，这个工具使丰田能够比以往更快、更高效地设计电气化车辆。减少设计时间是一个重要的优势，让丰田保持在EV创新的前沿。 还要阅读：zPod，印度第一辆AI驱动的自动驾驶汽车 优化性能指标 EV设计的一个关键方面是优化性能指标。例如，减少阻力对于提高电池电动汽车（BEVs）的气动性能和最大化它们的续航里程至关重要。TRI开发的新AI技术考虑了这些性能指标。丰田汽车公司的BEV工厂总裁加藤武，强调减少阻力对提高BEV的效率至关重要。这项新技术允许丰田优化性能指标，如阻力、乘坐高度和车厢尺寸。 融合工程和AI 传统上，生成式AI工具被用作设计师的灵感来源。然而，它们通常无法处理实际汽车设计中涉及的复杂工程和安全考虑。TRI的人机交互驾驶（HID）部门主任Avinash Balachandran强调，将丰田的工程专业知识与现代生成式AI能力融合起来的重要性。这种融合提供了先进的工具，同时确保工程和安全不会受到影响，最好两全其美。 还要阅读：梅赛德斯-奔驰汽车通过ChatGPT变得更加智能 纳入工程限制 TRI的研究人员发布了两篇论文，阐述了新技术如何将精确的工程限制纳入设计过程中。诸如影响燃油效率的阻力和底盘尺寸，例如乘坐高度和车厢尺寸等关键限制现在可以隐含地整合到生成式AI过程中。这一突破打开了设计不仅美观，而且高度功能的汽车的无限可能性。 还要阅读：Jeep的下一代AI和自主越野驾驶技术，让您开启未来之旅 优化理论和生成式AI的融合 TRI团队将广泛应用于计算机辅助工程的优化理论原则与文本到图像生成式AI相结合。所得到的算法使设计师能够在保留文本样式提示的同时优化工程限制。这种无缝融合优化理论和生成式AI使设计师能够在设计中平衡形式和功能。 了解更多：加入我们，体验非凡的学习体验！在DataHack Summit 2023的即将举行的研讨会上，利用扩散模型开启生成式AI的无限世界。…
Leave a Comment