​DeepFaceDrawing — нейросеть, которая позволяет создавать реалистичные изображения лиц из набросков от руки

Метод отрисовки по существу использует входные эскизы в качестве «мягких» ограничений и, таким образом, способен создавать высококачественные изображения лиц даже из грубых и/или неполных эскизов. Данный инструмент прост в использовании даже для тех кто не рисует, сохраняя при этом тонкое управление деталями формы

⤷ Демо

GitHub | #Python #Interesting

​Flashlight – это быстрая, гибкая библиотека машинного обучения, полностью написанная на C++ от команды Facebook AI Research Speech и создателей Torch and Deep Speech.

GitHub | #Cpp #ML

JoJoGAN Sketch model added to Spaces.

github: https://github.com/mchong6/JoJoGAN
Huggingface Spaces: https://huggingface.co/spaces/akhaliq/JoJoGAN
Enhance Face
https://t.me/deeppaintbot

p.s. Не сказать, что вау, но иногда смотрится прикольно, советую улучшить лицо перед обработкой.

🎂Terality - super fast serverless engine instead of slow Pandas
Terality is a serverless data processing engine that runs on giant clusters to work with datasets of any size. Thanks to the serverless paradigm, you don’t have to worry about scaling resources in clusters or other infrastructure: there are practically no limits on memory, and therefore on the size of a data set. It only needs a good internet connection to handle hundreds of GB, even on a simple office laptop with 4GB of RAM. Terality allows you to run Pandas code 10 times faster: Terality syntax is similar to Pandas. It only takes one line of code to switch from Pandas to Terality: import teratiyu as te. The Python package sends HTTPS requests to the Terality engine when you call Pandas functions. The engine processes the data and the command and returns the result. However, Terality is not just a Python package, but freemium software with a free 1TB plan. This counts every API call, not just data reads.
https://docs.terality.com/
https://towardsdatascience.com/good-bye-pandas-meet-terality-its-evil-twin-with-identical-syntax-455b42f33a6d

Встроенный механизм самооценки результатов генерации, очень легкая нейронная сеть 🦌 ruDOLPH 350m 🦌 доступна в открытом доступе, только что обновил версию!

пример генерации: "старинный будильник многоугольной формы"
256 попыток, нейронная сеть сама выбрала 36 лучших генераций, и все за 38 сек! 😳 посмотрите какие получились интересные генерации!

ресурсы: [github] [huggingface] [colab]
авторы: [AI AbuZZer] & [Mishin Learning]

​Dash – Аналитические веб-приложения для Python, R, Julia и Jupyter.

Это наиболее скачиваемый и одновременно надежный фреймворк Python для создания веб-приложений для ML & data science.

Построенный поверх Plotly.js, React и Flask, Dash связывает современные элементы пользовательского интерфейса, такие как выпадающие списки, ползунки и графики, непосредственно с вашим аналитическим кодом Python.

⤷ Документация
⤷ Примеры программ

GitHub | #Python #R #Web #ML #Data #Science

GPT-NeoX-20B - Open-Source huge language model by EleutherAI (Interview w/ co-founder Connor Leahy)

🎥 youtube интервью

Помните, я писал, что 9го февраля 2022 выложат в открытый доступ GPT-3 с 20B параметров! Ждём GPT-NeoX-20B

Это будет первая публичная GPT-3 такого масштаба: GPT-NeoX-20B по своим интеллектуальным способностям находится между двумя самыми топовыми решениями от OpenAI.

Янык взял интервью у кофаундера EleutherAI. Какие темы поднимаются в видео:

▪️ Как достать такой компьют?
▪️ Эксперименты и масштаб моделей
▪️ GPT-Neo, GPT-J, GPT-NeoX
▪️ Насколько сложно обучать большие модели?

Короткая статья ExT5: Towards Extreme Multi-Task Scaling for Transfer Learning от Гугла, вышедшая этой осенью.

Вкратце: в предобучение классической модели T5 авторы добавили смесь из ~100 разнообразных задач на понимание и генерацию текстов (всё для английского), добавив это в пропорции 1:2 к стандартной unsupervised задаче T5 (восстановление замаскированных промежутков текста). Оказалось, что такое предобучение докидывает по нескольку пунктов практически к любому классу задач, на которых модель предобучается потом – например, повышает скор с 76% до почти 80% на SuperGLUE. Приятно, что растёт скор даже на тех типах задач, на которых модель не предобучалась (в частности, перевод и NER); это показывает, что мультизадачное предобучение вроде как действительно делает модель более умной. Ещё авторы пытались выбирать, на каких задачах лучше всего предобучаться, и задачи типа NLI и commonsense reasoning вроде как показались наиболее перспективными. Но вообще, получилось, что лучше не пытаться выбрать наилучший сабсет задач для предобучения, а просто пытаться предобучить модель на всём, чём можно.

К сожалению, обученную модель авторы так вроде и не выложили, хотя стоило бы. Ну ничего, у меня потихоньку зреет новая мультитасковая модель, хоть и не такая масштабная, как у Гугла, зато компактная и русскоязычная. Ну и уже давно есть rut5-base-multitask, которая тоже чего-то могёт 🙃

​🧭 ТОП-17 бесплатных учебных курсов по AR/VR

В этой подборке мы собрали лучшие бесплатные курсы по виртуальной и дополненной реальности по различным направлениям и для любого уровня знаний.

https://proglib.io/sh/2EjzDc35HJ

подробный урок от Сергея Пирогова по созданию нейро-арта в колабе Disco Diffusion

​🧠 Нейросети могут быть опасными: сгенерированные лица и синтезированные голоса все более реалистичны

Технология машинного обучения, нейросети - все это стало уже давно привычным во многих отраслях науки, технологий, медицины и других сфер. В том, что они могут быть очень полезными, нет никаких сомнений. Но есть и обратная сторона медали - использование возможностей современных технологий для обмана...

Статьи Программиста | #neuroweb #future

Антология машинного обучения. Важнейшие исследования в области ИИ за последние 60 лет

Автор: Терренс Сейновски
Год: 2022

#books #ml #russian

GPT + RL = Decision Making

Это гениально! Ребята из гугла показали, как с помощью RL можно научить GPT-2 управлять виртуальным агентом и решать сложные задачи: на видео он выполняет команду «найди и положи две вилки в холодильник».

Идея очень простая: действия агента, его цель и наблюдения кодируются в виде слов, координаты объектов эмбеддятся с помощью MLP и прибавляются к эмбеддингам соответсвующих токенов. Всё это прогоняется через GPT-2 и на основе её аутпутов уже другая сеть предсказывает следующее действие. Обучается всё это на 20k примеров решений VirtualHome при помощи RL и Imitation Learning.

P.S. Есть ещё пара работ про RL + GPT, о которых я писал тут и тут.

Статья, блог, GitHub

🚀 OpenAI выкатил в открытый доступ веса самого топового CLIP

Прошло и года (13 месяцев) и OpenAI выложил веса RN50x64 и ViT-L/14

Загрузить самый топовый ViT-L14 можно, заменив ваш ViT-B/16 в одной строке:

model, preprocess = clip.load('ViT-L/14', device)

p.s.: Наткнулся случайно, когда ставил очередной эксперимент выходного дня, и после того как написал clip.load('RN-50', device) вместо 'RN50' в ошибке увидел в списке доступных моделей 'ViT-L/14'. Полезная ошибка вышла.

Всем хороших выходных, и да здравствует Zero-Shot!

👉 https://github.com/openai/CLIP

Обучать модели на больших корпусах неразмеченных текстов – круто, но иногда хочется напрямую загружать в них структурированные знания. Есть базы знаний типа wikidata или conceptnet, состоящие из объектов и отношений между ними. Каждый элемент базы – тройка (объект1, отношение, объект2), типа ("Elizabeth II", "Queen Of", "UK"). Многие из этих баз формально мультиязычные, но по факту большая часть содержательных триплетов в них – на английском. Но и для других языков есть, что вытащить.

На днях я взял conceptnet5, отфильтровал те триплеты, которые отвечают за семантику и для которых есть русские синонимы, и подставил туда эти синонимы. Вот блокнот, где я это делал. Получился такой файлик на 150 мегабайт довольно шумных триплетов с русскоязычными аргументами, всего около 500К триплетов, но из них почти половина - синонимичные.

Триплеты вышли примерно такие:
- "нормальный" связано с "производная функции"
- "бес" связано с "демонология"
- "beretta ar 70" – это один из "автомат"
- "лёгкий сон" связано с "сон"
- "досаждать" синоним "чума"

Результатом я не очень доволен (половина смысла похерилась из-за ошибок перевода или в целом шумной разметки), но зато это было достаточно легко и быстро. Думаю, если вложить в это дело побольше любви и времени, может получиться вполне адекватная база знаний.

А какими базами знаний, поддерживающими русский язык, пользовались вы?