Forwarded from Neural Shit
Давным-давно мы с автором бота "Всратослав" вместе напилили бота "Сутулый Акела". Этот бот присылал изображения всратых сгенерированных нейронкой волков с веселыми заранее собранными подписями. Позже админы "всратослава" бота отключили (не знаю почему).
С тех пор мне по 2-3 раза в неделю пишут разные люди с просьбой включить этого бота или написать нового. Я все собирался, но времени никак не было. До сегодняшнего дня.
Кароч, вот @neural_wise_wolf_bot
Отличается от "Сутулого Акелы" тем, что подписи генерирует нейросеть GPT-3, обученная на пацанских цитатах. С моделькой я еще поработаю, чтоб сделать веселее.
И да, первое время бот может падать. Если долго не отвечает — просто подождите несколько минут и попробуйте заново
С тех пор мне по 2-3 раза в неделю пишут разные люди с просьбой включить этого бота или написать нового. Я все собирался, но времени никак не было. До сегодняшнего дня.
Кароч, вот @neural_wise_wolf_bot
Отличается от "Сутулого Акелы" тем, что подписи генерирует нейросеть GPT-3, обученная на пацанских цитатах. С моделькой я еще поработаю, чтоб сделать веселее.
И да, первое время бот может падать. Если долго не отвечает — просто подождите несколько минут и попробуйте заново
Forwarded from Мишин Лернинг
❓Зачем нам ещё один DALL•E 1 | DALL•E mini❓
Тут вышло DALL•E mini. И вышло оно второй раз. Про первую прошлогоднюю версию я упоминал. И это был прям треш.
Но ребята запросили компьют, взяли огромный сет и решили сделать версию получше.
Итог: получили очередной pastgen text2image среднего качества
👉 Потестить DALL•E mini | Работает быстро
Тут вышло DALL•E mini. И вышло оно второй раз. Про первую прошлогоднюю версию я упоминал. И это был прям треш.
Но ребята запросили компьют, взяли огромный сет и решили сделать версию получше.
Итог: получили очередной pastgen text2image среднего качества
👉 Потестить DALL•E mini | Работает быстро
Forwarded from ̶с̶а̶м̶̶о̶изолента мёбиуса
Есть куча способов измерить смысловое сходство двух коротких текстов, но насколько эти способы реально хороши?
В статье A large-scale computational study of content preservation measures for text style transfer and paraphrase generation мы с коллегами попробовали выяснить это.
Мы собрали кучу данных, состоящих из пар английских предложений и человеческих оценок того, насколько эти предложения похожи: 9 датасетов по детекции парафраз, и ещё 10 – по переносу стиля текстов. И на этих данных мы измерили корреляцию 57 разных метрик текстовой близости с человеческими суждениями.
В большинстве статей по перефразированию и переносу стиля текстов, для сравнения текстов используют BLEU: долю совпадающих словных n-грамм. И зря! На всех 19 наших датасетах гораздо лучше себя показали метрики, основанные на трансформерных моделях. Во-первых, это би-энкодеры: модели, которые получают эмбеддинги каждого предложения по отдельности (типа SimCSE, USE, LaBSE), и расстояние между этими эмбеддингами можно использовать как метрику. Во-вторых, это кросс-энкодеры: модели, которые принимают на вход пару текстов, и сразу возвращают оценку сходства этих текстов. Хорошо себя показали кросс-энкодеры, обученные на задачах NLI, оценки семантической близости (например, датасет STS-b), или оценки качества машинного перевода (а именно, модель BLEURT). Одну такую модель, mutual implication score, законтрибьютили и мы: это RoBERTA, дообученная сначала на NLI и потом на детекции парафраз, и на большинстве наших датасетов она тащит.
Впрочем, даже у этой, пока-что-наилучшей метрики, корреляция с человеческими оценками в среднем около 60%, так что расти есть куда. Новые метрики сходства текстов тоже можно оценить на нашем бенчмарке: 16 из 19 датасетов находятся в открытом доступе, и мы выложили их в стандартизированном виде. Так что будем надеяться, что в нашем рейтинге метрик появятся новые, ещё более крутые кандидаты.
А пока что для оценки сходства (английских) текстов делайте
В статье A large-scale computational study of content preservation measures for text style transfer and paraphrase generation мы с коллегами попробовали выяснить это.
Мы собрали кучу данных, состоящих из пар английских предложений и человеческих оценок того, насколько эти предложения похожи: 9 датасетов по детекции парафраз, и ещё 10 – по переносу стиля текстов. И на этих данных мы измерили корреляцию 57 разных метрик текстовой близости с человеческими суждениями.
В большинстве статей по перефразированию и переносу стиля текстов, для сравнения текстов используют BLEU: долю совпадающих словных n-грамм. И зря! На всех 19 наших датасетах гораздо лучше себя показали метрики, основанные на трансформерных моделях. Во-первых, это би-энкодеры: модели, которые получают эмбеддинги каждого предложения по отдельности (типа SimCSE, USE, LaBSE), и расстояние между этими эмбеддингами можно использовать как метрику. Во-вторых, это кросс-энкодеры: модели, которые принимают на вход пару текстов, и сразу возвращают оценку сходства этих текстов. Хорошо себя показали кросс-энкодеры, обученные на задачах NLI, оценки семантической близости (например, датасет STS-b), или оценки качества машинного перевода (а именно, модель BLEURT). Одну такую модель, mutual implication score, законтрибьютили и мы: это RoBERTA, дообученная сначала на NLI и потом на детекции парафраз, и на большинстве наших датасетов она тащит.
Впрочем, даже у этой, пока-что-наилучшей метрики, корреляция с человеческими оценками в среднем около 60%, так что расти есть куда. Новые метрики сходства текстов тоже можно оценить на нашем бенчмарке: 16 из 19 датасетов находятся в открытом доступе, и мы выложили их в стандартизированном виде. Так что будем надеяться, что в нашем рейтинге метрик появятся новые, ещё более крутые кандидаты.
А пока что для оценки сходства (английских) текстов делайте
pip install mutual-implication-score.👍1
Forwarded from [404] — программирование
📈 Matplotlib и Seaborn — [11:52]
Набор каких-то цифр довольно сложно прочитать и понять. Но и тут есть решение — графики. Модулей для их составления куча, но автор выбрал лучшие.
В видео вы научитесь создавать современные графики с помощью Matplotlib и Seaborn, анимировать их и использовать в своих проектах.
Перейти к просмотру
#видео #python
Набор каких-то цифр довольно сложно прочитать и понять. Но и тут есть решение — графики. Модулей для их составления куча, но автор выбрал лучшие.
В видео вы научитесь создавать современные графики с помощью Matplotlib и Seaborn, анимировать их и использовать в своих проектах.
Перейти к просмотру
#видео #python
Forwarded from бумеры смотрят телек
Побаловался с нейронками «Рерайтер» и «Суммаризатор», которые Сбер представил на днях. Первый сервис переписывает другими словами текст с сохранением смысла. Второй — сокращает исходный текст, но сохраняет важные тезисы.
Вот пример, как работает «Рерайтер». Исходный текст:
— Режим нерабочих дней, по заключениям экспертов, может прервать цепочку заражений коронавирусом, заявил пресс-секретарь президента России Дмитрий Песков.
Результат работы нейронки (она даёт пять вариантов, я прикладываю два):
1. Песков заявил, что режим нерабочих дней может прервать цепочку заражений коронавирусом.
2. В России могут отменить режим нерабочих дней, сообщил пресс-секретарь президента РФ Дмитрий Песков.
В целом выглядит бодро, хотя местами текст выглядит машинно. Но для рекламных креативов в таргетинге, для длинных текстов (которые всё равно читать никто не будет) или для быстрого рерайта ради уникальности пойдёт.
Если вы редактор, копирайтер, студент или ещё как-то взаимодействуете с текстом — полезно сохранить.
Вот пример, как работает «Рерайтер». Исходный текст:
— Режим нерабочих дней, по заключениям экспертов, может прервать цепочку заражений коронавирусом, заявил пресс-секретарь президента России Дмитрий Песков.
Результат работы нейронки (она даёт пять вариантов, я прикладываю два):
1. Песков заявил, что режим нерабочих дней может прервать цепочку заражений коронавирусом.
2. В России могут отменить режим нерабочих дней, сообщил пресс-секретарь президента РФ Дмитрий Песков.
В целом выглядит бодро, хотя местами текст выглядит машинно. Но для рекламных креативов в таргетинге, для длинных текстов (которые всё равно читать никто не будет) или для быстрого рерайта ради уникальности пойдёт.
Если вы редактор, копирайтер, студент или ещё как-то взаимодействуете с текстом — полезно сохранить.
Forwarded from Open Source
AIlia-models
Коллекция предварительно обученных современных моделей ИИ.
▫️Распознавание действий
▫️Обнаружение аномалий
▫️Обработка звука
▫️Удаление фона
▫️Подсчет толпы
▫️Обнаружение одежды
▫️Оценка глубины
▫️Распознавание лиц
▫️Идентификация лица
▫️Интерполяция кадров
▫️Генеративные состязательные сети
▫️Обнаружение рук
▫️Распознавание руки
▫️Подпись к изображению
▫️Классификация изображений
▫️Обработка естественного языка
и многое многое другое...
https://github.com/axinc-ai/ailia-models
Коллекция предварительно обученных современных моделей ИИ.
▫️Распознавание действий
▫️Обнаружение аномалий
▫️Обработка звука
▫️Удаление фона
▫️Подсчет толпы
▫️Обнаружение одежды
▫️Оценка глубины
▫️Распознавание лиц
▫️Идентификация лица
▫️Интерполяция кадров
▫️Генеративные состязательные сети
▫️Обнаружение рук
▫️Распознавание руки
▫️Подпись к изображению
▫️Классификация изображений
▫️Обработка естественного языка
и многое многое другое...
https://github.com/axinc-ai/ailia-models
Forwarded from Мишин Лернинг
😂 Орнул от самого тупого Тьюринг теста
Тут Денис выложил прикольный тест, который должен показать, насколько ты, подписчик, способен отличить 🤖 генеративку от 👨🎨 не генеративки…
Спойлер, как пройти тест на 100%: если изображение квадратное — DALL•E 2, если соотношение сторон другое, то это не DALL•E 2.
🧠 попробуй и ты) вдруг не наберёшь 100%
Тут Денис выложил прикольный тест, который должен показать, насколько ты, подписчик, способен отличить 🤖 генеративку от 👨🎨 не генеративки…
Спойлер, как пройти тест на 100%: если изображение квадратное — DALL•E 2, если соотношение сторон другое, то это не DALL•E 2.
🧠 попробуй и ты) вдруг не наберёшь 100%
Forwarded from Эксплойт
This media is not supported in your browser
VIEW IN TELEGRAM
Нейросеть заставляет дипфейки петь
Дипфейки заполонили информационное пространство и не всегда используются с благими целями. Однако, в этой, с первого взгляда, сложной теме, остаётся место для полёта фантазии и забавного контента.
Avatarify — приложение, функционирующее на нейронке, которое не просто анимирует фотографию, но и подстраивает мимику лица под слова песни.
Всё, что нужно — загрузить фотографию в приложение и выбрать композицию. Треков довольно много, а помимо них ещё много трендов из Tik-Tok. Также желательно, чтобы для работы использовалось селфи, где видны зубы и человек смотрит прямо в камеру. Скачать с AppStore и Google Play.
@exploitex
Дипфейки заполонили информационное пространство и не всегда используются с благими целями. Однако, в этой, с первого взгляда, сложной теме, остаётся место для полёта фантазии и забавного контента.
Avatarify — приложение, функционирующее на нейронке, которое не просто анимирует фотографию, но и подстраивает мимику лица под слова песни.
Всё, что нужно — загрузить фотографию в приложение и выбрать композицию. Треков довольно много, а помимо них ещё много трендов из Tik-Tok. Также желательно, чтобы для работы использовалось селфи, где видны зубы и человек смотрит прямо в камеру. Скачать с AppStore и Google Play.
@exploitex
Forwarded from Мишин Лернинг
🔥🥑 Новый DALL•E: «Imagen» от Google Brain не уступает DALL•E 2 и GLIDE
Наверное устройство DALL•E 2 знают все ваши друзья и родственники. Но давайте быстро повторим как работает DALL•E 2:
▪️Взяли GLIDE диффузию и зафайнтюнили его на парах [CLIP эмбединг, картинка], заменив текстовый энкодер, и назвали это unCLIP
▪️Теперь можно получать множество вариаций картинки, если прогнать ее через CLIP и обратно через unCLIP. Но как генерить картинку из текста?
▪️Для этого обучили Prior, который переводит эмбединг текста в эмбединг картинки
Что же представляет из себя Imagen?
▫️Imagen это каскад из text conditioned classifier-free guidance диффузий: сначала в 64, потом в 256, а потом в 1024pix
▫️В чем же разница с GLIDE? Подход напоминает скорее предка DALL•E 2 — GLIDE
▫️Разница в том, что они не учат text encoder, а используют замороженный T5-XXL. И это вся разница? Ну концептуально — да!
▫️ Плюс авторы предложили dynamic thresholding sampling и улучшили CNN, создав Efficient U-Net
📄 paper
🤖 project
Наверное устройство DALL•E 2 знают все ваши друзья и родственники. Но давайте быстро повторим как работает DALL•E 2:
▪️Взяли GLIDE диффузию и зафайнтюнили его на парах [CLIP эмбединг, картинка], заменив текстовый энкодер, и назвали это unCLIP
▪️Теперь можно получать множество вариаций картинки, если прогнать ее через CLIP и обратно через unCLIP. Но как генерить картинку из текста?
▪️Для этого обучили Prior, который переводит эмбединг текста в эмбединг картинки
Что же представляет из себя Imagen?
▫️Imagen это каскад из text conditioned classifier-free guidance диффузий: сначала в 64, потом в 256, а потом в 1024pix
▫️В чем же разница с GLIDE? Подход напоминает скорее предка DALL•E 2 — GLIDE
▫️Разница в том, что они не учат text encoder, а используют замороженный T5-XXL. И это вся разница? Ну концептуально — да!
▫️ Плюс авторы предложили dynamic thresholding sampling и улучшили CNN, создав Efficient U-Net
📄 paper
🤖 project