Дорогой дневник, я продолжаю копаться в старых чатах ChatGPT
Генерил гжельный стритвир. Лица продолжают быть нереалистичными, немного подмаскировать помог хозяюшкин секрет: добавить текстур. В ответ на первое сгенерированное изображение написал:
И ChatGPT добавил штуки, отвлекающие от не устраивающих меня деталей
Генерил гжельный стритвир. Лица продолжают быть нереалистичными, немного подмаскировать помог хозяюшкин секрет: добавить текстур. В ответ на первое сгенерированное изображение написал:
I want to change style of photography: 1996 film still, liquid metal, in an album cover style, frame in motion, y2k aesthetic, the light is directed at the photo, film grain, attention to detail, cinematicИ ChatGPT добавил штуки, отвлекающие от не устраивающих меня деталей
🔥1
Понравилось объяснение на польцах как работают генеративные модели вроде Stable Diffusion, Midjourney и Dalle
Игра с сюжетами
1. Придумываем новые истории
Представим, что мы создали игру для детей, чтобы развить их творческий потенциал и научить придумывать вымышленные истории. Обычно дети пишут на интересные для них темы. Но мы хотим расширить их горизонты и научить мыслить нестандартно, чтобы они могли сочинять истории на любую тему.
Мы будем учить этому постепенно. Начнем с навыка, который на первый взгляд может показаться бессмысленным: выявление существующих сюжетов.
Дадим детям предложение с опечаткой. Если они найдут и исправят опечатку, они раскроют сюжет известного фильма. Например:
Большинство детей легко поймут, что "вилы" — это ошибка, и заменят его на "силы". Фильм, конечно же, "Холодное сердце".
Теперь усложним задачу. Ошибкой будет не рифмованное слово, а совершенно другое. Например:
Дети, знакомые с фильмом "В поисках Немо", поймут, что "банан" нужно заменить на "отец". Но если ребенок заменит "банан" на "лучший друг", предложение тоже будет логичным, даже если это не точное описание фильма.
2. Становится шумнее
На первый взгляд кажется, что мы далеко от нашей цели — создания генеративных моделей изображений. Но на самом деле мы учим детей определять интересные сюжеты в предложениях с ошибками.
Назовем эти ошибки "шумом". Повысим уровень сложности и заменим два слова:
Ребенок может попробовать несколько вариантов, пока не поймет, что "барбекю" нужно заменить на "страхи", а "мороженое" на "дядю". Но он также может заменить "барбекю" на "критиков", а "мороженое" на "тигра", и сюжет будет правдоподобным, хоть и не точным.
Теперь дети научились разбивать задачу на этапы, выявляя сюжеты, даже если они не точные. Этот процесс можно продолжать. Например:
Дайте это предложение творческому ребенку и попросите его заменять слова, пока не появится захватывающий сюжет. У вас будет хит-блокбастер.
В конце концов, все слова могут быть неправильными. Например:
Научившись этой игре, дети смогут создавать связные сюжеты из случайных слов.
3. Соединяем точки
Наша игра похожа на то, как обучаются генеративные модели. Инженеры OpenAI и других компаний берут реальные изображения и добавляют к ним шум в виде случайных точек (пикселей). Модель обучается удалять этот шум и возвращать целостное изображение.
После многих итераций и выборки данных компьютер становится искусным в очистке входных данных и возвращении к исходному изображению. Мы можем добавить еще больше и больше шума. Как дети учатся заменять слова в запутанных предложениях, так модель проходит через несколько этапов удаления шума, пока не появится понятная картинка.
После многих итераций модель ИИ научится находить образы в полном шуме. Через десятки итераций чистый шум можно превратить в кошку.
Суть Stable Diffusion, Dalle и Midjourney в том, что они превращают картинку со случайным шумом в изображение. Так же, как мы просим детей находить сюжеты в случайном предложении. Отсюда и вероятность получить три ноги у человека, или пять ног у слона
Игра с сюжетами
1. Придумываем новые истории
Представим, что мы создали игру для детей, чтобы развить их творческий потенциал и научить придумывать вымышленные истории. Обычно дети пишут на интересные для них темы. Но мы хотим расширить их горизонты и научить мыслить нестандартно, чтобы они могли сочинять истории на любую тему.
Мы будем учить этому постепенно. Начнем с навыка, который на первый взгляд может показаться бессмысленным: выявление существующих сюжетов.
Дадим детям предложение с опечаткой. Если они найдут и исправят опечатку, они раскроют сюжет известного фильма. Например:
Принцесса с волшебными вилами случайно устраивает вечную зиму в своем королевстве.
Большинство детей легко поймут, что "вилы" — это ошибка, и заменят его на "силы". Фильм, конечно же, "Холодное сердце".
Теперь усложним задачу. Ошибкой будет не рифмованное слово, а совершенно другое. Например:
Рыба-клоун отделилась от своего банана и должна найти дорогу домой.
Дети, знакомые с фильмом "В поисках Немо", поймут, что "банан" нужно заменить на "отец". Но если ребенок заменит "банан" на "лучший друг", предложение тоже будет логичным, даже если это не точное описание фильма.
2. Становится шумнее
На первый взгляд кажется, что мы далеко от нашей цели — создания генеративных моделей изображений. Но на самом деле мы учим детей определять интересные сюжеты в предложениях с ошибками.
Назовем эти ошибки "шумом". Повысим уровень сложности и заменим два слова:
Лев-изгой сталкивается со своим барбекю и возвращается домой, чтобы бросить вызов мороженому, убившему его отца.
Ребенок может попробовать несколько вариантов, пока не поймет, что "барбекю" нужно заменить на "страхи", а "мороженое" на "дядю". Но он также может заменить "барбекю" на "критиков", а "мороженое" на "тигра", и сюжет будет правдоподобным, хоть и не точным.
Теперь дети научились разбивать задачу на этапы, выявляя сюжеты, даже если они не точные. Этот процесс можно продолжать. Например:
Прыгающий омлет убегает от баса и эффектно стоит.
Дайте это предложение творческому ребенку и попросите его заменять слова, пока не появится захватывающий сюжет. У вас будет хит-блокбастер.
В конце концов, все слова могут быть неправильными. Например:
Золотые ножницы наушники аккуратная машинка шпинат.
Научившись этой игре, дети смогут создавать связные сюжеты из случайных слов.
3. Соединяем точки
Наша игра похожа на то, как обучаются генеративные модели. Инженеры OpenAI и других компаний берут реальные изображения и добавляют к ним шум в виде случайных точек (пикселей). Модель обучается удалять этот шум и возвращать целостное изображение.
[A]После многих итераций и выборки данных компьютер становится искусным в очистке входных данных и возвращении к исходному изображению. Мы можем добавить еще больше и больше шума. Как дети учатся заменять слова в запутанных предложениях, так модель проходит через несколько этапов удаления шума, пока не появится понятная картинка.
[B]После многих итераций модель ИИ научится находить образы в полном шуме. Через десятки итераций чистый шум можно превратить в кошку.
[C]Суть Stable Diffusion, Dalle и Midjourney в том, что они превращают картинку со случайным шумом в изображение. Так же, как мы просим детей находить сюжеты в случайном предложении. Отсюда и вероятность получить три ноги у человека, или пять ног у слона
«артистичничать» 💕
Please open Telegram to view this post
VIEW IN TELEGRAM
Программистки, которых приняли за моделей.
ENIAC, первый универсальный электронный компьютер, включили в 1945 году. Он выглядел не как компьютер в нашем понимании, а как комната.
40 черных металлических панелей, каждая выше человеческого роста, расставлены подковой вдоль стен. Внутри этой подковы работали операторы. Ты буквально стоял внутри компьютера.
До ENIAC компьютером называли человека, чья работа — вычислять. Профессия считалась мужской, но во время войны армия США набирала на неё женщин-математиков для расчета траекторий артиллерийских снарядов, так же, как заводы набирали «клепальщиц Рози» на сборку танков.
Женщины садились за настольные механические калькуляторы и вручную считали траектории. Одна траектория конкретного типа снаряда в конкретных погодных условиях занимала от 30 до 40 часов, а требовались таблицы стрельбы для сотен комбинаций. Война шла быстрее, чем люди могли считать.
Армия хотела машину, которая считает быстрее людей, и выбрала для её программирования шесть женщин из пула «человеческих компьютеров».
Программы в то время не писали, их собирали руками. Соединить кабелями 40 блоков в правильном порядке, выставить около 3000 тумблеров, задать входные данные на 1200 вращающихся переключателях. На подготовку одной задачи уходили дни, а для новой задачи перекоммутировать всё заново. Для отладки залезть внутрь машины и искать неисправную лампу среди 18 000 или неправильный тумблер среди 3000. Всё это в комнате 50 градусов, потому что ENIAC потреблял 150 киловатт, от него моргал свет в округе.
Женщины получили стопку электрических схем и задание: заставить машину считать траектории. Без документации и наставника, в первые три месяца даже без допуска в комнату с машиной. За несколько недель они освоили всю машину и «написали» программу.
На демонстрации 15 февраля 1946 расчет, который вручную занимал 30 часов, ENIAC выполнил за секунды. Журналисты жали руки инженерам и военным. Женщин не представили и на банкет не позвали. На фотографиях они есть, в подписях к ним нет.
Через 40 лет студентка Гарварда Кэти Кляйман нашла эти снимки в архиве. Молодые женщины у панелей, позы рабочие. Кляйман спросила историков вычислительной техники, кто на фото. Соосновательница Компьютерного музея Гвен Белл ответила без колебаний — Refrigerator Ladies. В рекламной индустрии так называли моделей, которых ставили рядом с холодильниками и стиральными машинами, чтобы техника выглядела привлекательнее. Кляйман не поверила и потратила годы на их поиск. Результатом поисков стали документальный фильм и книга «Proving Ground», откуда эта история.
Их приняли за моделей, а они оказались первыми в мире программистами.
ENIAC, первый универсальный электронный компьютер, включили в 1945 году. Он выглядел не как компьютер в нашем понимании, а как комната.
40 черных металлических панелей, каждая выше человеческого роста, расставлены подковой вдоль стен. Внутри этой подковы работали операторы. Ты буквально стоял внутри компьютера.
До ENIAC компьютером называли человека, чья работа — вычислять. Профессия считалась мужской, но во время войны армия США набирала на неё женщин-математиков для расчета траекторий артиллерийских снарядов, так же, как заводы набирали «клепальщиц Рози» на сборку танков.
Женщины садились за настольные механические калькуляторы и вручную считали траектории. Одна траектория конкретного типа снаряда в конкретных погодных условиях занимала от 30 до 40 часов, а требовались таблицы стрельбы для сотен комбинаций. Война шла быстрее, чем люди могли считать.
Армия хотела машину, которая считает быстрее людей, и выбрала для её программирования шесть женщин из пула «человеческих компьютеров».
Программы в то время не писали, их собирали руками. Соединить кабелями 40 блоков в правильном порядке, выставить около 3000 тумблеров, задать входные данные на 1200 вращающихся переключателях. На подготовку одной задачи уходили дни, а для новой задачи перекоммутировать всё заново. Для отладки залезть внутрь машины и искать неисправную лампу среди 18 000 или неправильный тумблер среди 3000. Всё это в комнате 50 градусов, потому что ENIAC потреблял 150 киловатт, от него моргал свет в округе.
Женщины получили стопку электрических схем и задание: заставить машину считать траектории. Без документации и наставника, в первые три месяца даже без допуска в комнату с машиной. За несколько недель они освоили всю машину и «написали» программу.
На демонстрации 15 февраля 1946 расчет, который вручную занимал 30 часов, ENIAC выполнил за секунды. Журналисты жали руки инженерам и военным. Женщин не представили и на банкет не позвали. На фотографиях они есть, в подписях к ним нет.
Через 40 лет студентка Гарварда Кэти Кляйман нашла эти снимки в архиве. Молодые женщины у панелей, позы рабочие. Кляйман спросила историков вычислительной техники, кто на фото. Соосновательница Компьютерного музея Гвен Белл ответила без колебаний — Refrigerator Ladies. В рекламной индустрии так называли моделей, которых ставили рядом с холодильниками и стиральными машинами, чтобы техника выглядела привлекательнее. Кляйман не поверила и потратила годы на их поиск. Результатом поисков стали документальный фильм и книга «Proving Ground», откуда эта история.
Их приняли за моделей, а они оказались первыми в мире программистами.
❤10