18194
Все о машинном обучении админ - @workakkk @data_analysis_ml - анализ даннных @ai_machinelearning_big_data - Machine learning @itchannels_telegram -лучшие ит-каналы @pythonl - Python @pythonlbooks- python 📚 @datascienceiot - 📚 РКН: clck.ru/3FmrUw
🦜 Editing Personality for LLMs
Новый фреймворк для редактирования личностных качеств больших языковых моделей (LLM). Easyedit позволяет выполнять корректировку ответов моделей на вопросы, связанные с мнением по заданной тематике.
Проект содержитновый эталонный набор данных PersonalityEdit.
🖥 Github: https://github.com/zjunlp/easyedit
📕 Paper: https://arxiv.org/abs/2310.02168v1
⭐️ Dataset: https://drive.google.com/file/d/1WRo2SqqgNtZF11Vq0sF5nL_-bHi18Wi4/view
@machinelearning_ru
В начале сентября Яндекс провел Practical ML Conf, а сейчас опубликовали плейлист с записями всех докладов.
Что интересного:
- Доклад про обучение, продуктовое внедрение и обновление языковой модели YandexGPT;
- Доклад про обучение GigaChat от SberDevices (от предобучения до RLHF-пайплайна);
- Доклад о распределенном DL и способности системы продолжать корректно работать при падении одной или нескольких подсистем, от которых она зависит (zero-fault tolerance);
- Доклад про Kandinsky от Сбера (задача генерации изображений и видео по текстовому запросу, основные методы, архитектуры, данные для обучения, метрики оценки качества);
- Доклад про системы сканирования на базе компьютерного зрения в серии роботов Яндекс Маркета;
- Доклад про прогноз спроса в Яндекс Лавке (от бейзлайна до Time2Boost)
Записи всех докладов
@machinelearning_ru
Яндекс открыл подачу заявок на научную премию в области машинного обучения
Стать претендентами на Yandex ML Prize могут студенты, молодые ученые и их научные руководители, которые занимаются исследованиями машинного обучения.
В этом году организаторы впервые отметят исследователей генеративных моделей. Также премию можно получить за успехи в сфере распознавания и синтеза речи, компьютерного зрения, информационного поиска и анализа данных и обработки естественного языка.
Лауреаты получат денежную премию до 1 млн рублей, грант от Yandex Cloud на использование сервиса для исследований и подписка на Яндекс 360.
🔥 Mistral-7B-v0.1 LLM.
Mistral-7B-v0.1 - новейшая большая языковая модель (LLM) компании Mistral AI. Необработанные веса модели распространяются с помощью Bittorrent и на Hugging Face.
🖥 Github: https://github.com/mistralai/mistral-src
📕 Docs : https://arxiv.org/abs/2309.14405v1
📌 Quickstart: https://docs.mistral.ai/quickstart/
🚀 APi: https://docs.mistral.ai/api/
@machinelearning_ru
OpenAI’s ChatGPT Has Been Supercharged!
https://www.youtube.com/watch?v=k2bynqQ6el4
@machinelearning_ru
🔥SeqDeepFake: Detecting and Recovering Sequential DeepFake Manipulation
Фреймворк для обнаружение дипфейков (Seq-DeepFake).
Проект содежит датасет включающий ~85 к. аннотированных изображений с лицами.
Github: https://github.com/rshaojimmy/seqdeepfake
Project: https://rshaojimmy.github.io/Projects/SeqDeepFake
Paper: https://arxiv.org/abs/2309.14991v1
Dataset: https://paperswithcode.com/dataset/imagenet
@machinelearning_ru
📌 Руководство для хакеров по языковым моделям
• Jupiter
• Github
@machinelearning_ru
🎼New AI Listened To 20,000 Hours Of Music. What Did It Learn?
• Video
@machinelearning_ru
🔥 Дайджест полезных материалов из мира машинного обучения за неделю
Почитать:
— Искусство ETL. FAQ по Data Cooker ETL
— Переходим на Greenplum быстро
— Microsoft предлагает БЕСПЛАТНЫЕ онлайн курсы с сертификацией
— Azure Data Factory + Databricks. Миграция сценариев
инициализации в Databricks из DBFS в Workspace 2023/2024
— 7 шагов по контейнеризации Python-приложений
— 20 проектов по аналитике данных для новичков в 2023 году
— Форматы ORC и Parquet на базе HDFS
— MySQL в Google Colab: Бесшовная интеграция
— Идея: дифференцированный безусловный базовый доход
— ML в полях. Как упростить жизнь агрономов?
— Искусство ETL. Пишем собственный движок SQL на Spark [часть 5 из 5]
— Разбираемся в отличии среднего чека от ARPU на примере одного интернет-магазина
— 10 Exceptional Free Data Science Tools Launched in 2023
— MetaMath Boosts AI Mathematical Reasoning with LLM Enhancements
— Researchers Develop a More Efficient Way to Fine-Tune Large Language Models for Long Text Sequences
— Evento de Marketing com Inteligência Artificial Gratuito
— How to learn AI and get RICH in the AI revolution
— Text Classification with Natural Language Processing (NLP) in Python using Scikit-Learn
— Oulu University and Futurewei Technologies Unveil Algorithm for Optimizing 6G Communications in Dynamic Metaverse Environments
— Reinforcement Learning with TEXT2REWARD’s Automated Reward Function Design Using Advanced Language Models
— Researchers Unveil Revolutionary LSC Framework for Optimized Machine-to-Machine Communication
— ML & AI: From Problem Framing to Integration
Посмотреть:
🌐 Python Matplotlib. Визуализация данных на PRO уровне. (⏱ 24:43)
🌐 Устраиваемся на работу. Решаем тестовое задание на позицию Python Junior. (⏱ 20:28)
🌐 Уроки Golang с нуля /#29 - Дженерики/обобщения (⏱ 10:52)
🌐 Уроки Golang с нуля /#30 - Горутины (⏱ 08:09)
🌐 Революционный генератор музыки на основе искусственного интеллекта (⏱ 00:12)
🌐 Серьезные проблемы с безопасностью в телеграм! (⏱ 00:24)
🌐 Lightning Interview "Risk and Reward: Unraveling Machine Learning for High-Risk Applications" (⏱ 52:37)
🌐 Framework and Lessons Learned from Building a Generative AI Application - Jason Tan (⏱ 24:08)
🌐 Generative AI for Biomedical Insights: Solutions through OpenBIOML and BIO GP - Bidyut Sarkar (⏱ 30:40)
🌐 OpenAI's DALL-E 3 - The King Is Back! (⏱ 04:52)
🌐 NVIDIA’s DLSS 3.5: This Should Be Impossible! (⏱ 08:29)
Хорошего дня!
@machinelearning_ru
Примите участие в AI Challenge - международном конкурсе по искусственному интеллекту для молодежи от Сбера
Это отличная возможность для школьников и выпускников до 18 лет получить знания и навыки в области искусственного интеллекта, а также приобрести друзей со всего мира.
Участники будут соревноваться в пяти направлениях: от медицины до креативных индустрий.
Отбор пройдет в 4 этапа: регистрация, командная работа, финальный этап с защитой перед экспертами и награждение. Призовой фонд разделят победители в каждом направлении.
Зарегистрироваться можно прямо сейчас на сайте конкурса.
🗄Как повысить эффективность кода Python с помощью кэширования
Кэширование — это что-то вроде секретного хранилища для часто используемых в коде элементов. Вместо того чтобы многократно выполнять одни и те же действия, вы сохраняете результат в удобном месте. Затем, когда он снова понадобится вам (или кому-либо еще), вы просто достаете его из секретного тайника. Это все равно что иметь любимую закуску всегда под рукой.
Зачем нужно кэширование?
Кэширование — это больше, чем просто изящный трюк. Вот почему оно важно.
1. Ускорение работы. Кэширование повышает скорость написания кода. Вместо того чтобы заставлять компьютер выполнять одну и ту же сложную работу снова и снова, вы сохраняете результат. Когда он снова понадобится, то будет готов, как кратчайший путь к совершенству.
2. Экономия ресурсов. Ваш компьютер очень ценен, и кэширование бережно относится к нему. Оно экономит мощность процессора и память, поскольку вы не повторяете ненужные действия. Это как выключить свет, когда вы выходите из комнаты, — экологически чистые вычисления!
3. Масштабирование. Представьте, что ваше приложение становится популярным, и множество людей хотят им воспользоваться. Кэширование будет выдавать результаты без особых проблем. Это спасет ваши серверы от перехода в режим паники.
4. Минимизация денежных расходов. Если вы работаете в облаке, то меньшее количество запросов к внешним службам означает меньшие расходы. Кэширование может вызвать улыбку на лице вашего бухгалтера.
Как кэшировать на профессиональном уровне?
Python предлагает несколько способов работы с кэшем.
1. Простое кэширование на основе словаря. Это подход типа “сделай сам”. Вы создаете словарь для хранения результатов кэширования. Когда вам что-то нужно, проверяете, есть ли это в словаре. Если есть — отлично, используйте. Если нет, сохраните результат для следующего раза.# Инициализация пустого словаря кэша
cache = {}
# Функция для вычисления квадратов чисел с кэшированием
def calculate_square(x):
if x in cache:
return cache[x]
else:
result = x ** 2
cache[x] = result
return result
# Тестирование функции
print(calculate_square(5)) # Вычисляет и кэширует 5*5 = 25
print(calculate_square(5)) # Вместо пересчета результат (25) извлекается из кэша
2. Использование functools.lru_cache. Python готов поддержать вас с помощью декоратора lru_cache из модуля functools. Как личному помощнику, вы можете доверить ему выполнение своих обязанностей. Он запоминает несколько последних действий, которые выполняла ваша функция, и выдает их, когда это необходимо.from functools import lru_cache
# Функция для вычисления чисел Фибоначчи
@lru_cache(maxsize=None) # None означает, что кэш может расти без ограничений
def fibonacci(n):
if n <= 1:
return n
else:
return fibonacci(n-1) + fibonacci(n-2)
# Тестирование функции
print(fibonacci(10)) # Вычисляет и кэширует Fibonacci(10)
print(fibonacci(10)) # Вместо пересчета результат извлекается из кэша
3. Использование внешнего кэширования (Redis).
📌 Продолжение
📊Python Matplotlib. Визуализация данных на PRO уровне.
📌 Видео
📌 Код и полезные ресурсы
@machinelearning_ru
OpenAI’s ChatGPT Nails 150+ Difficult Tasks!
https://www.youtube.com/watch?v=9o_hFlsfaBI
@machinelearning_ru
⭐ Пиши код, властвуй, визуализируй!
Бывает, что написали код, а он долго отрабатывает, хотя делает все верно. В таком случае предлагаем провести профилирование программы и заглянуть в стек вызовов.
Процесс профилирования кода – сбор характеристик работы программы, таких как время выполнения отдельных фрагментов, число верно предсказанных переходов и т.д. Использование данного инструмента поможет нам увидеть скрытые проблемы в коде, и подскажет, на что необходимо обратить внимание в первую очередь.
Для профилирования кода разработано множество инструментов на различных языках программирования, например, CProfiler, но в рамках данной публикации мы использовали YAPPI (Yet Another Python Profiler) – библиотека для профилирования кода с поддержкой многопоточности и асинхронности, разработанная на языке программирования С.
Yappi обладает наиболее гибким API, позволяющим профилировать как весь код, так и отдельные его части. Одним из преимуществ выбранной нами библиотеки является ее доступность во внутренней сети банка. Более подробно о данной библиотеке, вы можете узнать, из документации по ссылке.
Используя данную библиотеку, мы построим отчет о работе программы и визуализируем его для наглядности.
Визуализацию отчета проведем при помощи библиотеки gprof2dot. Выбранная нами библиотека является одной из не многих, кто может проводить визуализацию стека вызовов.
К недостаткам данной библиотеки можно отнести неспособность прорисовать весь граф стека вызовов, в случае, когда он очень длинный.
Однако этот недостаток легко нивелируется преимуществами, которые предоставляет библиотека:
▪️чтение большого числа форматов файлов профилировщиков;
▪️обрезка узлов и ребер ниже определенного порога;
▪️эффективное использование цветов для привлечения внимания к «особенным точкам»;
▪️работа на любой платформе, где присутствует Python и Graphviz.
Доступность данной библиотеки во внутренней сети банка добавляет ей еще один плюс в карму. Для более детального знакомства с данной библиотекой, предлагаем пройти по ссылке.
Посмотрим применение этих библиотек на практике.
📌Читать
@machinelearning_ru
🖥 Python анализ данных с Pandas. Join, merge, concat в Pandas
• Видео
• Код из видео
• Часть 1
• Часть 2
@machinelearning_ru
⚡️ NVIDIA’s Neuralangelo AI: Gaming Anywhere on Earth!
https://www.youtube.com/watch?v=bSHz0NexLBU
@machinelearning_ru
🔥 Дайджест полезных материалов из мира Машинного обучения за неделю
Почитать:
— Как начать в DL: книги и курсы
— Визуализация распределений вероятностей в Python.
— Попросил нейросеть нарисовать биологические объекты: посмотрите, какая дичь получилась
— Галлюцинации нейросетей: что это такое, почему они возникают и что с ними делать
— Hadoop в любой непонятной ситуации. Как выжить кластеру в большой ML команде
— Как развернуть свой собственный ChatGPT, только лучше
— Всё идет по плану: как задавать роботу список действий с помощью языковых моделей и голосовых команд
— Когда стоит заменить A/B-тестирование сэмплированием Томпсона
— Яндекс Карты открывают крупнейший русскоязычный датасет отзывов на организации
— Распознавание по цвету. Как мы выбирали между классическими алгоритмами и нейросетями
— Исследования возможностей нейронных сетей глубокого обучения в распознавании маскируемого трафика
— Create a ChatGPT Chatbot from YouTube videos and Podcasts
— An Overview of the Path to Machine Learning Engineering
— Lo que necesitas para iniciar con Gen AI utilizando PaLM 2 y MakeSuite
— Pipeless vs Nvidia DeepStream
— BakaLLM, part 2
— Future Prospects and Growth of AI and ChatGPT
— Data Analysis with SQL
— Understanding SVM
— Mistral 7B Beats Llama 2 13B on All Benchmarks
— Predicting Poverty Reduction in Nigeria: A Machine Learning Approach
Посмотреть:
🌐 Large Language Models Are Not (Necessarily) Generative Ai - Karin Verspoor, PhD (⏱ 29:59)
🌐 Evolving Trends in Prompt Engineering for LLMs with Built-in Responsible AI Practices (⏱ 33:21)
Хорошего дня!
@machinelearning_ru
📃 Датасет с русскоязычными отзывами на организации от Яндекс
Содержит адрес и название организации, список рубрик (например, бар, кофейня), оценку пользователя и текст отзыва. Всего в датасете 500 тысяч отзывов, собранных с января по июнь 2023 года.
📌 GitHub
📌 Статья на Хабр
@machinelearning_ru
5 дней практики в Data Science на реальных данных магазина из Великобритании.
1-2 часа в день и самостоятельно создаешь модели машинного обучения.
Старт - 2 октября. Обучаешься под руководством эксперта в своем темпе, в любое удобное время.
6000+ человек из разных стран мира уже приняли участие в данном интенсиве.
15 лет практического опыта у автора интенсива, поэтому полученные знания можно сразу применять в рабочих проектах.
Обучаем с 2017 года.
Предоставляем готовое окружение - ничего устанавливать и настраивать не нужно.
Количество БЕСПЛАТНЫХ мест ограничено.
Успевайте записаться по ЭТОЙ ссылке.
Подписывайтесь на их телеграм канал, чтобы не пропустить самое интересное из мира Data Science и не только.
Реклама: ИП Кравченко Николай Васильевич LjN8K6NRo
Дайджест главных инноваций, которые были презентованы на конференции SmartDev 2023 💚
👉GigaChat API — решение, которое позволяет бизнесу разрабатывать собственные продукты на основе ИИ и легко создавать продвинутые ИИ-приложения.
👉Нейросетевая платформа GigaCode — способна генерировать продолжение кода по фрагменту, искать по коду и находить уязвимости. Эта инновация поможет разработчикам избавиться от рутинных операций и повысить производительность.
👉Сервис для работы над проектами с открытым и закрытым кодом GitVerse — является аналогом зарубежных Git-репозиториев для open-source-сообщества, на тестирование которого уже можно записаться.
👉SaluteBot + GigaChat — такое комбо перевело разработку чат-ботов на новый уровень: теперь за нестандартное общение с пользователем отвечает нейросеть, а не оператор.
Полная программа и спикеры — на сайте конференции!
VK Data Meetup — митап об инструментах и людях, которые умеют работать с данными
⏰ Когда: 12 октября, 14:00 по Москве
📍 Регистрация
VK Data Meetup — это серия событий о практиках работы с данными на разных уровнях.
Митап 12 октября посвящен работе с большими данными и ML. Обсудим:
• Тренды работы с данными;
• Процессы взаимодействия со смежными подразделениями и внутри дата-команд;
• Новые инструменты, такие как Spark on Kubernetes и No Code AutoML-платформы;
• Кейсы решения практических бизнес-задач от ведущих российских компаний.
Митап будет интересен дата- и ML-инженерам, тимлидам и разработчикам платформ данных, архитекторам и специалистам по Data Science.
Присоединяйтесь к сообществу VK Data Meetup, чтобы узнать про работающие практики и поделиться своим опытом.
Зарегистрироваться
🖥 Open Source Library that let's you log and visualise LLM prompts
Разработка промптов - ключевой момент для получения максимальной отдачи от любой большой языковой модели!
Но вручную экспериментировать с различными прокатами, чтобы найти эффективную для вашего случая, - задача не из простых.
Предлагаем вашему вниманию новую библиотеку с открытым исходным кодом, позволяющую регистрировать и визуализировать подсказки LLM.pip install comet_llm
• Github
@machinelearning_ru
Bridge with NumPy! 🌉
Тензоры в PyTorch тесно связаны с массивами NumPy.
Они имеют много общего, что делает переход между ними "бесшовным"! 🔄
@machinelearning_ru
🖥 Универсальный алгоритм расчета потерь рабочего времени на Python
1. Постановка задачи, частные решения и их проблемы
2. Описание алгоритма
Разберём пошагово наш алгоритм.
Шаг 1:
Представим наш график как список словарей по временным отсечкам для каждого дня недели в следующем виде:[{time: время, flag: цвет флага, start_finish: ‘’}]
◾️ время согласно графику работы: часы, минуты;
◾️ цвет флага: зелёный – после него время нужно учитывать, красный – после него время учитывать не нужно;
◾️ ‘’ – этому элементу позже будет присвоено значение «старт» или «финиш», в зависимости от того точка А или точка В расположена левее данной временной отсечки.
Для удобства восприятия покажем только values, но подразумеваем, что keys и фигурные скобки тоже присутствуют. В нашем случае получится следующий результат:
Понедельник: [{time: 10:00, flag: зелёный, start_finish: ‘’},
{time: 19:00, flag: красный, start_finish: ‘’},
{time: 13:00, flag: красный, start_finish: ‘’},
{time: 14:00, flag: зелёный, start_finish: ‘’}]
И так для каждого дня.
Таким образом, на этом этапе нужно составить словарь, включающий режим работы по дням недели с учетом обеденного перерыва. Мы сознательно не приводим код для этой части работы, поскольку, по сути, это подготовка данных, а не сам алгоритм расчета потерь времени. Эта часть зависит от формата представления исходных данных.
Шаг 2:
Схожим образом представим точки A и B:[{time: дата + время, flag: ‘’, start_finish: старт/финиш}]
▪️дата + время: год, месяц, день, часы, минуты;
▪️‘’ – на место этого элемента в дальнейшем будет подставлен красный или зелёный флаг, (по цвету флага ближайшего соседа слева на временной шкале);
▪️старт/финиш: старт – это точка А, финиш – В.A: {time: 01.03.2023 11:00, flag: ‘’, start_finish: ‘старт’}
B: {time: 02.03.2023 11:00, flag: ‘’, start_finish: ‘финиш’}
Шаг 3:
Определим все дни между точками A и B включительно и подтянем из графика работы по этим дням все флаги, а также сами точки А и В. Данные из нашего примера превратятся в список. Теперь ключевой момент, на котором, собственно, и строится весь алгоритм: отсортируем список по возрастанию даты и времени. Это важно, т.к. позволит нам идти в цикле от отсечки к отсечке, проверяя, нужно ли включать следующий за ней отрезок в расчет.[{time: 01.03.2023 10:00, flag: ‘зелёный’, start_finish: ‘’}
{time: 01.03.2023 11:00, flag: ‘’, start_finish: ‘старт’}
{time: 01.03.2023 13:00, flag: ‘красный’, start_finish: ‘’}
{time: 01.03.2023 14:00, flag: ‘зелёный’, start_finish: ‘’}
{time: 01.03.2023 19:00, flag: ‘красный’, start_finish: ‘’}
{time: 02.03.2023 10:00, flag: ‘зелёный’, start_finish: ‘’}
{time: 02.03.2023 13:00, flag: ‘красный’, start_finish: ‘’}
{time: 02.03.2023 13:30, flag: ‘’, start_finish: ‘финиш’}]
Код для шагов 2 и 3:
Подробнее
Вышел dall-e-3!
https://openai.com/dall-e-3
Команда VK Cloud недавно запустила новый канал о работе с данными — Данные на стероидах.
В нем ребята публикуют подборки интересного контента по темам Data science, ML и Big Data. Например, рассказывают, про планирование и жизненный цикл ML-проектов, из-за чего происходят и как избежать утечек при работе с ML, или как создавать футуристичные графики с помощью Python.
Помимо прочего, в канале много полезной информации о работе с данными, архитектуре дата-решений и новостей российского и международного Data-сообщества.
👉🏻 Подписывайтесь на канал Данные на стероидах, будет интересно!
🔥 Дайджест полезных материалов из мира Машинного обучения за неделю
Почитать:
— Разработка систем генеративного ИИ на базе ML Platform: создаем конкурента ChatGPT без миллионных инвестиций
— Создание приложения для потоковой передачи видео с физическими элементами управления
— Создаём субтитры для любого видео в интернете с помощью нейросети в браузере
— Тестирование производительности на Python: Пошаговое руководство с Flask
— Практическое применение моделей YOLO и ResNet для обнаружения нежелательных предметов на фотографиях
— DVC — прекрасный инструмент для DataScience
— Как мы создали нейросеть, которая составила рейтинг компаний, занимающихся ИИ в России
— Узнайте, как создать аудиоприложение LangChain на Python всего за 5 минут!
— Dream Booth — очень умное дообучение stable diffusion
— LlamaIndex: создаем чат-бота без боли и страданий. Часть 3
— Есть один нюанс: как мы спасаем нейросети от классификации неоднозначных текстов
— Как machine learning улучшает рекомендации по каталогу сайта на 80%. Повышаем эффективность collaborative filtering
— Short-circuiting
— Tuple Immutability
— How Does Nerve Regen Formula Work?
— Code Review - The foundation for quality software
— Trying to bridge the gap between WFC “Even Simpler Tiled Model” and Constraint Satisfaction Problem (CSP) propositional rules
— Code review - a unique way of debugging
— Automating Product Descriptions in Odoo with OpenAI's GPT-3 and Python
— Creating Own Chat GPT
— Elastic D&D - Week 4 - Text Note Input
— Scenario-Based Testing with Vedro
Посмотреть:
🌐 ODSC Webinar | A Path to Insights Starts with Trusted Data (⏱ 23:23)
🌐 Not Just Deep Fakes: Apps of Visual Generative Models in Pharma Manufacturing - Guglielmo Iozzia (⏱ 01:18:40)
🌐 Leveraging Generative AI in Education - A M Aditya (⏱ 31:24)
🌐 Lightning Interview “Beyond the Code: How AI Is Disrupting the Programmer's Role” (⏱ 58:40)
Хорошего дня!
@machinelearning_ru
📌 Обучение нейросети, которая создаёт субтитры в видеоплеере любого сайта
Яндекс Браузер представил встроенную нейросеть, генерирующую субтитры ко всем русскоязычным видео в интернете, в том числе на сайтах, на которых владелец это не предусмотрел. Это нужная фича для тех, кто плохо слышит или просто забыл наушники. Работает всё это для Windows, macOS и Linux.
При этом разработчики добились, чтобы нейросеть потребляла в 5 раз меньше оперативной памяти: с 800 Мб до 150 Мб. Например, разделив архитектуру модели на две независимые части, они получили ускорение свёрток больше чем в 5 раз и экономию оперативной памяти больше чем в 3 раза (30 Мб → 8 Мб). Также было решено выделять общий префикс в явном виде, после чего удалось сохранить ещё более 400 Мб.
При этом разработчики оставили realtime on-device инференс (с обновлением раз в 600 мс в одном потоке), не потеряв в качестве по сравнению с серверным решением.
Процесс разработки команда описала в статье на Хабре.
@machinelearning_ru
🔊Stable Audio: продвинутая нейросеть для генерации музыки и звука из текста от Stability AI
Stability AI выпустили Stable Audio — нейросеть для создания музыки и звуков по текстовой подсказке заданной пользователем длины. Stable Audio способна генерировать 95 секунд стереоаудио с частотой дискретизации 44,1 кГц менее чем за одну секунду на графическом процессоре NVIDIA A100. Работа с сильно уменьшенным скрытым представлением аудиозаписей по сравнению с оригинальными записями значительно сократило время вывода модели. Это первая нейросеть от Stability AI для генерации музыки.
📌Проект
@machinelearning_ru
Efficient Controllable Generation for SDXL with T2I-Adapters
T2I-Adapter - это эффективная подключаемая модель, которая обеспечивает дополнительные настройки для предварительно обученных моделей "текст-изображение".
В этом вопросе T2I-адаптеры имеют конкурентное преимущество перед ControlNets. T2I-адаптеры имеют меньший размер, и, в отличие от ControlNets, T2I-адаптеры запускаются всего один раз.
• Руководство
@machinelearning_ru