巷で話題のStable Diffusion(以下SD)をファインチューニングする方法が公開されたので、早速やります。
![Stable Diffusionをいらすとやでファインチューニングする](https://cdn-ak-scissors.b.st-hatena.com/image/square/8ae174abb43778340dc578bd0411620c548a7306/height=288;version=1;width=512/https%3A%2F%2Fblog-imgs-153.fc2.com%2Fb%2Fi%2Fr%2Fbirdmanikioishota%2F00228.jpg)
巷で話題のStable Diffusion(以下SD)をファインチューニングする方法が公開されたので、早速やります。
2. ライセンスの確認以下のモデルカードにアクセスして、ライセンスを確認し、「Access Repository」を押し、「Hugging Face」にログインして(アカウントがない場合は作成)、同意します。 4. Colabでの実行Colabでの実行手順は、次のとおりです。 (1) メニュー「編集→ノートブックの設定」で、「ハードウェアアクセラレータ」に「GPU」を選択。 (2) 「Stable Diffusion」のインストール。 # パッケージのインストール !pip install diffusers==0.3.0 transformers scipy ftfy(3) トークン変数の準備。 以下の「<HugginFace Hubのトークン>」の部分に、先程取得したHuggingFace Hubのトークンをコピー&ペーストします。 # トークン変数の準備 YOUR_TOKEN="<H
いま大会上位に位置するDeep Learning系の将棋AIは、評価関数として画像認識などでよく使われているResNetを用いている。ResNetについては機械学習を齧っている人ならば誰でも知ってるぐらい有名だと思うので、詳しい説明は割愛する。(ググれば詳しい説明がいくらでも出てくる) 囲碁AIの世界では、このResNetのブロック数を大きくしていくのが一つの潮流としてある。ブロック数が多いと言うことは、より層の数が増え(よりdeepになり)、1局面の評価に、より時間を要するようになるということである。それと引き換えに評価精度がアップするから、トータルでは得をしていて、棋力が向上するというわけである。 ところが大きいブロック数になればなるほど学習に要する教師局面の数が増える。学習もブロック数に応じた時間を要するようになるから、そう簡単に大きくはできない。しかし囲碁AIの方は、中国テンセント
社内勉強会での発表資料です。公開情報をもとにTeslaのコンピュータビジョン技術について調査したものです。Read less
新たな数学の定理の発見や、未証明の予想の解決にAIが役立つ──そんな研究結果を、囲碁AI「AlphaGo」などで知られる英DeepMindが発表した。順列に関する新しい定理を発見した他、ひもの結び目を数学的に研究する「結び目理論」についても、異なる数学の分野をつなぐ、予想していなかった関係性を見つけたという。 DeepMindは、豪シドニー大学と英オックスフォード大学の数学者とともに数学研究を支援するための機械学習フレームワークを構築。これまでも数学者は、研究対象を調べるためにコンピュータを使い、さまざまなパターンを生成することで発見に役立ててきたが、そのパターンの意義は数学者自身が考察してきた。しかし、研究対象によっては何千もの次元があることから、人間による考察も限界があった。 今回開発したアルゴリズムは、こうしたパターンを検索する他、教師あり学習を基にその意味を理解しようと試みるという
In a year like no other in recent memory, the data ecosystem is showing not just remarkable resilience but exciting vibrancy. When COVID hit the world a few months ago, an extended period of gloom seemed all but inevitable. Yet, as per Satya Nadella, “two years of digital transformation [occurred] in two months”. Cloud and data technologies (data infrastructure, machine learning / artificial in
〜AutoMLで実践する〜 ビジネスユーザーのための機械学習入門シリーズ 【第 3 回】 「積ん読」と「体重増」の悩みを AutoML で解決しよう 前回は、AutoML Tables による EC サイトの LTV 分析事例を紹介しました。今回は、同じ AutoML Tables を、より身近な課題の解決に使う方法を紹介します。 その課題とは、筆者自身が抱えていた 2 つの悩みです。ひとつは、スキャンして PDF で保管している書籍の「積ん読」を大量に抱えていたこと。もうひとつは、自宅作業ばかりで増え続けてしまっている体重です。 この 2 つの課題を一挙に解決するソリューションとして筆者が思いついたのが、「PDF 書籍をオーディオブックに変換する」という方法です。読みたかった書籍をオーディオブック化しておけば、ランニングしながら積ん読を解消できます。 この動画のように、Cloud Sto
Interpretable Machine Learning A Guide for Making Black Box Models Explainable. Christoph Molnar 2021-05-31 要約 機械学習は、製品や処理、研究を改善するための大きな可能性を秘めています。 しかし、コンピュータは通常、予測の説明をしません。これが機械学習を採用する障壁となっています。 本書は、機械学習モデルや、その判断を解釈可能なものにすることについて書かれています。 解釈可能性とは何かを説明した後、決定木、決定規則、線形回帰などの単純で解釈可能なモデルについて学びます。 その後の章では、特徴量の重要度 (feature importance)やALE(accumulated local effects)や、個々の予測を説明するLIMEやシャープレイ値のようなモデルに非依存な手法(mo
経済産業省は、AI人材の育成を支える企業等の取組を促進するために実務上有用と思われる事項をまとめ、「AI・データサイエンス人材育成に向けたデータ提供に関する実務ガイドブック」を策定しましたので、公開します。 1.背景 「AI戦略2019」では、我が国全体としての生産性の大幅な向上が求められる中、AI技術の利活用を進めることによる、企業の生産性の抜本的改善について述べられています。企業において実際にAIを導入させることのできる人材を育成するためには、実際の企業のデータを用いた教材の活用が重要となり、企業から円滑にデータを提供してもらう環境を整えるためには、データ提供にあたって実務上課題となる論点を整理し、解決の方向性を示していくことが有効と考えられます。 2.これまでの取り組み こうした状況を踏まえ、経済産業省は「AI人材育成のための企業間データ提供促進検討会」を開催し、AI人材の育成に資す
人工知能を研究している非営利団体OpenAIが開発した言語モデル「GPT-3」を使用して、何者かが海外掲示板のRedditに1週間近く投稿を続けていたことが分かりました。GPT-3による投稿は、最終的に開発者の手によって停止されましたが、発覚するまでの間GPT-3は誰にも気付かれることなく、Redditユーザーと言葉を交わしていたと報じられています。 kmeme: GPT-3 Bot Posed as a Human on AskReddit for a Week https://www.kmeme.com/2020/10/gpt-3-bot-went-undetected-askreddit-for.html Someone let a GPT-3 bot loose on Reddit — it didn’t end well https://thenextweb.com/neural
こんにちは、アマゾン ウェブ サービス ソリューションアーキテクトの針原です。この連載では画像で一言「ボケて」のデータを用いたボケ自動生成の取り組み「電笑戦」について紹介してきました。前回ご好評いただいた第 1 回 、第 2 回の記事に引き続き、今回は電笑戦の参加企業であるカラクリ株式会社の武藤さん・吉田さんと、吉本興業株式会社 田中さんの取り組みについて紹介いただきます。 なお、 9 月 8 日 (火) ~ 9 月 30 日 (水) に開催予定の AWS Summit Online では、「電笑戦 ~ AI は人を笑わせられるのか ?」というタイトルで技術セッションもご用意しています。参加企業の取り組みについてはそちらもぜひご覧ください。
Deep Learning is such a fast-moving field and the huge number of research papers and ideas can be overwhelming. The goal of this post is to review ideas that have stood the test of time. These ideas, or improvements of them, have been used over and over again. They’re known to work. If you were to start in Deep Learning today, understanding and implementing each of these techniques would probably
この1週間はGPT-3のユースケースの広さに驚かされる毎日でした. シリコンバレーでは話題騒然ですが日本ではほとんど話題になっていないので,勢いで書くことにしました. GPT-3はOpenAIが開発した言語生成モデルです.名前の由来であるGenerative Pretrained Transformerの通り,自然言語処理で広く使われるTransformerモデルを言語生成タスクで事前学習しています. 先月申請すれば誰でもGPT-3を利用できるOpenAI APIが発表され,様々な業種の開発者によって驚くべきデモンストレーションがいくつも公開されています. 特に話し言葉からJSXやReactのコードを生成するデモは著名なベンチャーキャピタルから注目を集め,誇大広告気味だと警鐘を鳴らす事態に発展しています. This is mind blowing. With GPT-3, I built
AI=人工知能を活用した囲碁のコンピュータープログラムと対局して1勝を挙げた韓国のトップ棋士が引退を表明し、引退の理由について、「AIが登場したことで、どんなに努力してもトップになれないことが分かった」と語りました。 イ九段はこの中で、引退の理由について、「AIが登場したことで、どんなに努力してもトップになれないことが分かった。決して敗れない存在がある」と語り、囲碁のAIに勝てないことを引退の理由に挙げました。 国際的なタイトルを数多く持つイ九段は、2016年、IT大手グーグルの傘下にある企業が開発した囲碁のAI、「AlphaGo」と5番勝負の対局を行い、4敗を喫しながらも1勝を挙げましたが、これ以降、AlphaGoに勝った棋士はいません。 将棋やチェスに比べて、対局のパターンが多い囲碁では、AIが人間に勝つのは難しいとされていましたが、ディープラーニングの手法によって飛躍的に進化し、AI
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く