Wie Diffusion Models Bilder erzeugen
Teil des Prompt Engineering-Kurses
Bisher hat jeder Prompt, den du geschrieben hast, Text erzeugt. Diese Lektion eröffnet Teil 3, in dem derselbe Prompt ein Bild erzeugt. Das Medium wechselt, die Denkweise aus Teil 1 bleibt: Du steuerst weiterhin ein Modell mit Worten, und vage Worte liefern weiterhin vage Ergebnisse. Bevor du ein Bildmodell gut prompten kannst, hilft es zu wissen, was es eigentlich tut, während es deinen Satz in ein Bild verwandelt.
Eine verbreitete Vermutung lautet, ein Bildmodell durchsuche eine riesige Sammlung und setze Stücke vorhandener Bilder zusammen. So läuft es nicht. Es gibt keine Collage und kein Nachschlagen. Das Modell baut jedes Bild von Grund auf, und das Ausgangsmaterial ist reines zufälliges Rauschen.
Möchtest du Prompt Engineering Wie Diffusion Models Bilder erzeugen in einer echten Umgebung lernen?
Klick unten, hol dir eine Linux-Maschine mit fertigem Prompt Engineering und arbeite Wie Diffusion Models Bilder erzeugen praktisch durch, mit einem KI-Tutor, der deinen Code kennt.
Lektion startenWie Diffusion Models Bilder erzeugenWas du lernen wirst
- Diffusion as iterative denoising
- Text conditioning of the image
- Seeds and reproducibility
- Sampling steps and guidance scale