Wie Diffusion Models Bilder erzeugen
Teil des Prompt Engineering-Kurses
Bisher hat jeder Prompt, den du geschrieben hast, Text erzeugt. Diese Lektion er枚ffnet 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, w盲hrend es deinen Satz in ein Bild verwandelt.
Eine verbreitete Vermutung lautet, ein Bildmodell durchsuche eine riesige Sammlung und setze St眉cke vorhandener Bilder zusammen. So l盲uft es nicht. Es gibt keine Collage und kein Nachschlagen. Das Modell baut jedes Bild von Grund auf, und das Ausgangsmaterial ist reines zuf盲lliges Rauschen. ...
M枚chtest 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
Lies diese Lektion in deiner Sprache
Alle Lektionen in diesem Kurs
11 Lektionen- 1Was ein Prompt ist20 Min.
- 2Wie gro脽e Sprachmodelle Text erzeugen30 Min.
- 3Die f眉nf Prinzipien des Prompting30 Min.
- 4Standardpraktiken f眉r die Textgenerierung35 Min.
- 5Prompt Templates und Function Calling35 Min.
- 6Vector Databases und Retrieval-Augmented Generation40 Min.
- 7Autonome Agents: memory und tools40 Min.
- 8Wie Diffusion Models Bilder erzeugen30 Min.
- 9Standardpraktiken f眉r die Bildgenerierung35 Min.
- 10Fortgeschrittene Bildtechniken: Inpainting, Outpainting und ControlNet35 Min.
- 11KI-gest眉tzte Anwendungen bauen40 Min.
Weitere Kurse ansehen
