Udemy線上課程 (Ken Cen出品)Generative AI第25部 使用Pytorch編寫 Stable Diffusion 下部 講師:瞭解更多 影音教學 中文發音 繁體中文版(DVD版)
繼續在(Ken Cen出品)Generative AI第24部 使用Pytorch編寫 Stable Diffusion 上部的基礎上，實現整個 Diffusion，擴散過程和 DDPM 實現模型學習 Latent Space 數據分佈過程，這是 Stable Diffusion 中的核心關鍵。
課程不使用其他外部 library，以 Pytorch 作為底層構建 Stable Diffusion 所需一切組件，最終將根據用戶的 prompt 在 VSCode 中生成圖片。
從 U-NET 開始構建，建立 U-NET 內部的Encoder，Bottle Neck， Decoder，瞭解內容結構如何讓 U-NET 以用不同參數餵養Encoder，Bottle Neck， Decoder，以及每個組件中，如何搭配 Self-Attention & Cross-Attention 和 Residual用 Pipeline 組織 CLIP，VAE，U-NET，根據不同的Classifier Free Guidance 輸出不同的雜訊預測，結合 Context 輸入得到 U-NET 的輸出最終輸入 Stable Diffusion 預訓練模型的權重，按Prompt 生成圖片。
01 - 介紹
001 加入Udemy 全球最大的中文 AI 課程.mp4
002 課程工具準備.mp4
003 如何使用uv 作為包管理器和項目管理工具.mp4
02 - UNET 的原理 & 如何用 Pytorch 實現 U-NET
001 UNET 是什麼 & 如何用 Pytorch 融合時間步 Time Steps 融合到輸入特徵 Features 當中.mp4
002 如何將 CLIP 處理的 Prompt 和圖片像素加入到 Attention 注意力機制中.mp4
003 如何處理 U-NET 中的 Encoder & Bottle Neck & Decoder 之間的邏輯關係.mp4
03 - 如何組織 CLIP，UNET，VAE 等模型生成推理圖片
001 UNET 的OutputLayer 做的是什麼 & 如何處理 Classifier free guidance 的邏輯.mp4
002 如何實現前向擴散 & 逆擴散的核心步驟.mp4
003 如何組織所有CLIP & VAE & UNET & Pretrain models 生成圖片.mp4
|
|
專業知識教學
