Comment les diffusion models génèrent des images
Partie du cours Prompt Engineering
Jusqu'ici, chaque prompt que vous avez écrit produisait du texte. Cette leçon ouvre la partie 3, où le même prompt produit une image. Le support change, mais l'état d'esprit de la partie 1 reste le même : vous pilotez toujours un modèle avec des mots, et des mots vagues donnent toujours un résultat vague.
On imagine souvent qu'un modèle d'image fouille une immense bibliothèque et recoud des morceaux d'images existantes. Ce n'est pas ce qui se passe. Il n'y a ni collage ni recherche dans un catalogue. Le modèle construit chaque image de zéro, et sa matière première de départ est du bruit purement aléatoire. ...
Envie d’apprendre Prompt Engineering Comment les diffusion models génèrent des images dans un vrai environnement ?
Cliquez ci-dessous, obtenez une machine Linux avec Prompt Engineering prêt, et travaillez sur Comment les diffusion models génèrent des images avec un tuteur IA qui connaît votre code.
Commencer cette leçonComment les diffusion models génèrent des imagesCe que vous allez apprendre
- Diffusion as iterative denoising
- Text conditioning of the image
- Seeds and reproducibility
- Sampling steps and guidance scale
Lire cette leçon dans votre langue
Toutes les leçons de ce cours
11 leçons- 1Qu'est-ce qu'un prompt20 min
- 2Comment les grands modèles de langage génèrent du texte30 min
- 3Les cinq principes du prompting30 min
- 4Pratiques standard pour la génération de texte35 min
- 5Prompt Templates et Function Calling35 min
- 6Vector Databases et Retrieval-Augmented Generation40 min
- 7Autonomous Agents : memory et tools40 min
- 8Comment les diffusion models génèrent des images30 min
- 9Pratiques standards pour la génération d'images35 min
- 10Techniques d'image avancées : inpainting, outpainting et ControlNet35 min
- 11Construire des applications propulsées par l'IA40 min
Voir les autres cours
