-Ну это очевидно задача минут на 20, их которых ты два часа будешь фиксить кривые зависимости.
-Ну те отдашь послезавтра?
-Не, давай до следующей среды.
-Ну те отдашь послезавтра?
-Не, давай до следующей среды.
😢36🔥7🤮2
Подписчик написал клёвый материал про dalle1, а ещё собрал имплементацию dalle1 на коленке
Хабр
Хабр
Хабр
Как работает DALL-E
В Январе 2021 года Open AI показали DALL-E, генерирующую любые изображения по текстовому описанию, на хабре уже успели разобрать тему генерации изображений нейросетями, но мне захотелось разобраться в...
❤16👍4🤮1
This media is not supported in your browser
VIEW IN TELEGRAM
Спасибо подписчикам за контент
🤣48🔥9❤5🌚3👍2❤🔥1😁1
ОЧЕНЬ ВАЖНОЕ ИССЛЕДОВАНИЕ ВНИМАНИЕ ВСЕМ
Тут друзья пишут интересное исследование и попросили помочь, cобирают интересные идиомы, выражения, локальные версии обычных слов, таких как: мультифора, поребрик.
Если вы знаете такие слова на других языках - обязательно вписывайте, но не забудьте через тире указать значение
https://forms.gle/L9XorkrPgRaMYEt29
Тут друзья пишут интересное исследование и попросили помочь, cобирают интересные идиомы, выражения, локальные версии обычных слов, таких как: мультифора, поребрик.
Если вы знаете такие слова на других языках - обязательно вписывайте, но не забудьте через тире указать значение
https://forms.gle/L9XorkrPgRaMYEt29
Google Docs
Идиомы, интересные выражения и все что хочется на любом языке
Мы в рамках исследования собираем интересные словосочетания, выражения, аналоги привычных и устоявшихся в языке
👍12👎4
Однажды, сидя в коворкинге и попивая смузи, зумер сказал «буквально», вместо «literally». После этого он буквально обосрался и умер
🔥75😁22🤡9😱3💩3🤮2👍1🤯1
Forwarded from AbstractDL
Diffusion Models: A Comprehensive Survey
Отличная обзорная статья с таксономией диффузионных моделей и всех видов сэмплирования. Тут даже есть сравнение диффузии с остальными генеративными подходами (см. картинку).
Статья
Отличная обзорная статья с таксономией диффузионных моделей и всех видов сэмплирования. Тут даже есть сравнение диффузии с остальными генеративными подходами (см. картинку).
Статья
🔥16👍1
Forwarded from DLStories
Media is too big
VIEW IN TELEGRAM
Смотрите, какая штука стала популярной в Твиттере: Adept.ai обещают выпустить ATC-1: крутого диджитал-помощника на основе Transformer
ACT-1 — это расширение в Google Chrome. В небольшом окошке нужно ввести текст-описание того, что вы хотите сделать. Например, "найти дом в Сан Франциско для 4 человек с бюджетом до $600k” или “найти инфу, сколько раз Ди Каприо получал Оскар”. ACT-1 за вас проделает в браузере ту последовательность действий, которую сделал бы человек для реализации задачи. Пример работы — на видео к посту.
Короче, это как продвинутая Siri, только запросы вводятся (пока что) текстом и они могут быть довольно сложные. Дальше обещают добавить возможность уточнять запросы и даже учить ACT-1 делать действия, которые у нее не получаются. Например, научить ее использовать новую формулу в Excel или пользоваться поиском на новой веб-странице.
Судя по всему, ребята собрали датасет пар вида “текстовое описание действия в браузере — последовательность действий”, обучили на нем Transformer и поколдовали над скоростью инференса. Подробный технический пост скоро обещают. Мне лично интересно, как получилось собрать достаточное количество разнообразных данных, чтобы можно было так хорошо натренировать модель (если она действительно работает так хорошо, как выглядит на видео).
Вообще, adept.ai — лаба, основанная выходцами из Google Research и DeepMind. Двое из них в 2017 приложили руку к появлению на свет модели Transformer (первый и третий авторы статьи!). Так что я верю, что ACT-1 действительно работает и жду релиза) Почитать о создателях и истории Adept можно тут.
А в целом Adept заявляют, что они создают general intelligence. Посмотрим, как пойдет)
Ссылки:
Скоро должна выйти альфа-версия ACT-1, записаться в waitlist можно тут.
А на сайте — больше видео-демок работы ACT
ACT-1 — это расширение в Google Chrome. В небольшом окошке нужно ввести текст-описание того, что вы хотите сделать. Например, "найти дом в Сан Франциско для 4 человек с бюджетом до $600k” или “найти инфу, сколько раз Ди Каприо получал Оскар”. ACT-1 за вас проделает в браузере ту последовательность действий, которую сделал бы человек для реализации задачи. Пример работы — на видео к посту.
Короче, это как продвинутая Siri, только запросы вводятся (пока что) текстом и они могут быть довольно сложные. Дальше обещают добавить возможность уточнять запросы и даже учить ACT-1 делать действия, которые у нее не получаются. Например, научить ее использовать новую формулу в Excel или пользоваться поиском на новой веб-странице.
Судя по всему, ребята собрали датасет пар вида “текстовое описание действия в браузере — последовательность действий”, обучили на нем Transformer и поколдовали над скоростью инференса. Подробный технический пост скоро обещают. Мне лично интересно, как получилось собрать достаточное количество разнообразных данных, чтобы можно было так хорошо натренировать модель (если она действительно работает так хорошо, как выглядит на видео).
Вообще, adept.ai — лаба, основанная выходцами из Google Research и DeepMind. Двое из них в 2017 приложили руку к появлению на свет модели Transformer (первый и третий авторы статьи!). Так что я верю, что ACT-1 действительно работает и жду релиза) Почитать о создателях и истории Adept можно тут.
А в целом Adept заявляют, что они создают general intelligence. Посмотрим, как пойдет)
Ссылки:
Скоро должна выйти альфа-версия ACT-1, записаться в waitlist можно тут.
А на сайте — больше видео-демок работы ACT
👍25🍓3🤔1
Самый облом с генеративными моделями в том что они не умнее среднего пользователя на записях которых она обучена
❤51😢8
Forwarded from Пресс-служба Сириона
Жизнь — игра
Ожидание: прокачиваешься и становишься сильнее, можешь проходить новые уровни и играть становится легче, с каждым днём все больше узнаешь мир и в конечном итоге собирается полная картина происходящего и ты начинаешь понимать как все работает.
Реальность: мир оснащен системой автолевелинга, поэтому проще не будет, а ещё если вкачаешь неправильные навыки то к 30 уровню тебе пизда. Лор представляет собой набор кучи мнений, которые противоречат друг другу, поэтому создать мировоззрение и мировосприятие можно исключительно на собственных предубеждениях и идеалах. Ну и к тому же это донатная помойка с убогой системой гринда
Ожидание: прокачиваешься и становишься сильнее, можешь проходить новые уровни и играть становится легче, с каждым днём все больше узнаешь мир и в конечном итоге собирается полная картина происходящего и ты начинаешь понимать как все работает.
Реальность: мир оснащен системой автолевелинга, поэтому проще не будет, а ещё если вкачаешь неправильные навыки то к 30 уровню тебе пизда. Лор представляет собой набор кучи мнений, которые противоречат друг другу, поэтому создать мировоззрение и мировосприятие можно исключительно на собственных предубеждениях и идеалах. Ну и к тому же это донатная помойка с убогой системой гринда
😁43👍15😢5🤡4⚡2❤🔥2❤2🤔1🤯1🤣1
#чтивонаночь
Perceiver-Actor: A Multi-Task Transformer
for Robotic Manipulation
-Actor gpt?
-Нет, perciver actor
-Perciver?
- ...
Идея такая: давайте возьмем задачу на естественном, языке, возьмём RGB-D(карта глубины, но цветная) и сунем это все в трансформер.
При этом воксели сворачивают в кодовые книги по аналогии с VIT, что даёт лучшую репрезентацию эмбедингов.
А на выходе предсказыватся лучший воксель куда сдвинуть манипулятор. Сверху навешивается отдельная маленькая сеточка для предсказания захвата объекта.
Метрики:
В 38раз опережает предидующие результаты.
peract.github.io
Collab поучить свою маленькую версию
Perceiver-Actor: A Multi-Task Transformer
for Robotic Manipulation
-Actor gpt?
-Нет, perciver actor
-Perciver?
- ...
Идея такая: давайте возьмем задачу на естественном, языке, возьмём RGB-D(карта глубины, но цветная) и сунем это все в трансформер.
При этом воксели сворачивают в кодовые книги по аналогии с VIT, что даёт лучшую репрезентацию эмбедингов.
А на выходе предсказыватся лучший воксель куда сдвинуть манипулятор. Сверху навешивается отдельная маленькая сеточка для предсказания захвата объекта.
Метрики:
В 38раз опережает предидующие результаты.
peract.github.io
Collab поучить свою маленькую версию
👍11🔥2🏆1🍓1
🍾21🌚4💯2