【LLaMA-Factory】開源語言模型微調專案
Krita-ai-diffusion 實時 A.I. 生成式人工智慧繪圖
互動式工作流程，其中人工智慧生成僅用作繪畫時的一種協同工具。
- Inpaint：使用 Krita 的選擇工具標記區域並刪除或取代影像中的現有內容。簡單的文字提示可用於指導生成。
- Outpaint：擴展畫布，選擇空白區域並自動填入與現有影像無縫融合的內容。
- 生成：透過用文字或現有圖像描述它們，從頭開始創建新圖像。支援SD1.5和SDXL。
- 優化：使用強度滑桿優化現有影像內容，而不是完全取代它。這也非常適合透過繪製（粗略）近似值並以高強度進行細化來為影像添加新內容！
- 即時繪畫：讓人工智慧即時解讀您的畫布以獲得即時回饋。看影片
- 控制：直接使用草圖或線條藝術指導圖像創建。使用現有影像或 3D 場景的深度或法線貼圖。從快照傳送角色姿勢。使用分割圖控制構圖。
- 決議：在任何決議下都能有效率地工作。該插件將自動使用適合 AI 模型的分辨率，並縮放它們以適合您的圖像區域。
- 升級：將影像升級並豐富至 4k、8k 以上，而不會耗盡記憶體。
- 作業佇列：根據硬體的不同，影像產生可能需要一些時間。該插件允許您在處理圖像時排隊和取消作業。
- 歷史：並非每張圖像都會成為傑作。隨時預覽結果並瀏覽前幾代和提示。
- 強大的預設設定：多功能的預設樣式預設允許簡單的 UI 覆蓋許多場景。
- 自訂：建立您自己的預設 – 選擇穩定擴散檢查點、新增 LoRA、調整取樣器等。
[英文] 詳細教學：
This One Simple Plugin Adds Realtime AI Assistance to Krita
SDXL LoRA 培訓指南(英文)
這份簡報提供學習如何製作LoRA 模型的寶貴資訊。在這份簡報中，你將找到以下指導方針：
- 將最大解析度設定為至少 1024×1024，這是SDXL的標準解析度。
- 使用至少 12GB 內存的 GPU 進行 LoRA 模型的訓練。
- 我們強烈建議在 SDXL LoRA 訓練過程中使用
--train_unet_only選項，以避免因SDXL中的雙文本編碼器而造成無法預料的訓練結果。 - PyTorch 2 比 PyTorch 1 使用的 GPU 內存較少。
此外，簡報還提供了一個使用 Adafactor 優化器的示例配置，該優化器具有固定的學習率，並使用了常數加溫策略。以下是示例配置的代碼片段：
optimizer_type = "adafactor"
optimizer_args = [ "scale_parameter=False", "relative_step=False", "warmup_init=False" ]
lr_scheduler = "constant_with_warmup"
lr_warmup_steps = 100
learning_rate = 4e-7 # 這是SDXL的標準學習率
請點擊這裡查看完整的簡報內容。希望這份簡報能夠幫助你更好地了解如何製作LoRA模型。
10 個開源機器學習項目
機器學習是一個快速發展的技術領域，涉及算法和模型的開發，這些算法和模型可以根據數據進行學習並做出預測或決策。
對於熱衷於從事機器學習職業的新生來說，獲得實踐經驗並參與實際項目以展示自己的技能至關重要。因此，為了解更多信息，我們將探討最適合新手深入研究的 10 個開源機器學習項目。此外，機器學習已成為各個行業的重要組成部分，使其成為最有前途的職業領域之一。
十大最適合新生開啟人工智能之路的機器學習項目
有幾個可用的開源項目，新生可以利用它們來增強他們在機器學習方面的知識和技能，但在這裡我們將討論 10 個最佳開源機器學習項目。
1.TensorFlow
TensorFlow 是 Google 開發的開源軟件庫，可讓您輕鬆構建和部署機器學習模型。它為機器學習項目提供了一個由工具、庫和社區資源組成的綜合生態系統。
(more…)簡單粗暴 TensorFlow 2(免費書)
A Concise Handbook of TensorFlow 2 0.4 beta 文檔
這是一本簡明的 TensorFlow 2 入門指導手冊，基於 Keras 和即時執行模式（Eager Execution），具一定機器學習及 Python 基礎開發者快速上手。
claude.ai 建議的網上 A.I. 課程
資料由 claude.ai 提供
課程網址連結:
- Andrew Ng 的機器學習課程(Coursera):https://www.coursera.org/learn/machine-learning
- Udacity 的機器學習工程師納米學位:https://www.udacity.com/course/machine-learning-engineer-nanodegree–nd009t
- edX 的MIT人工智能課程:https://www.edx.org/course/introduction-to-artificial-intelligence-ai
- 李宏毅的機器學習課程:https://www.youtube.com/playlist?list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49
- 李宏毅的深度學習課程:https://www.youtube.com/playlist?list=PLJV_el3uVTsPMxPbjeX7PicgWbY7F8wW9
- 吳恩達的機器學習課程筆記:https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
- Google的機器學習速成課程: https://developers.google.com/machine-learning/crash-course
- fast.ai的機器學習課程:https://course.fast.ai/
小學生談『生成對抗網路』(GAN）
Generative Adversarial Network(GAN)
Day 28：小學生談『生成對抗網路』(Generative Adversarial Network，GAN）
Facebook AI 大師 Yann LeCun 在接受 Quora 專訪時說『GAN 及其變形是近十年最有趣的想法 …
生成對抗網路（Generative Adversarial Network，GAN）是一種具有鮮明特色的機器學習模型。GAN由兩個互相競爭的神經網路組成：生成器（Generator）和判別器（Discriminator）。
生成器的目的是生成逼真的資料樣本，例如圖像或音訊。它接收一個隨機噪聲向量作為輸入，並利用深度神經網路進行轉換，生成與訓練數據相似的新樣本。
判別器則試圖區分生成器生成的樣本與真實訓練數據。它也是由深度神經網路組成，接收一個樣本作為輸入，並根據該樣本是真實的還是生成的進行預測。
生成器和判別器彼此對立，通過互相競爭並不斷交互訓練。生成器的目標是愈來愈好地生成逼真的樣本以騙過判別器，而判別器則試圖提高準確性以區分真假。這個訓練過程持續進行，直到生成器能夠生成非常逼真的樣本，使判別器無法區分真假。
GAN已被廣泛應用於圖像生成、風格轉換