👺 txt2mask

это надстройка для веб-интерфейса AUTOMATIC1111, в основе которой лежит Stable Diffusion. txt2mask позволяет вам вводить текст в режиме img2img и автоматически генерировать маску изображения.

⚙️ Github
➡️ Stable Diffusion

@machinelearning_ru

💊 Medical Open Network for AI

MONAI — это основанная на PyTorch библиотека глубокого обучения с открытым исходным кодом для визуализации мед данных, входящая в экосистему PyTorch.

pip install monai

⚙️ Code
🗒 Docs

@machinelearning_ru

CMGAN: Conformer-Based Metric-GAN for Monaural Speech Enhancement

мы предлагаем основанную на конформере метрическую генеративную состязательную сеть (CMGAN) для SE в частотно-временной (TF) области.

⚙️ Github
🗒 Статья
💻 Demo

@machinelearning_ru

⚜️ Руководство по созданию интерактивных визуализаций на Python

Визуализация данных — один из важнейших этапов проекта в области науки о данных и аналитики данных. Она помогает как изучать и понимать данные, так и эффективно обмениваться результатами.

Самыми распространенными библиотеками для создания визуализаций на Python являются Matplotlib и Seaborn, но существует и множество других инструментов.

В этом руководстве мы изучим инструменты HoloViz, а точнее Panel и hvPlot  — библиотеки с открытым исходным кодом, которые используются для создания интерактивных диаграмм и контрольных панелей. Также узнаем, как легко развернуть и поделиться контрольной панелью с помощью Jupyter Notebook.

В этом проекте мы будем использовать данные о различных покемонах, доступные на Kaggle и Wikipedia, а также данные о продажах игр про покемонов.

Краткий обзор
Мы выполним следующие задачи.

Создадим простой интерактивный график, используя hvPlot и Pandas.
Построим более сложные визуализации, используя Panel для создания виджетов, которые будут фильтровать данные, и hvPlot для отображения этих данных.
Создадим контрольную панель, показывающую табличные данные, информацию о проекте, а также различные интерактивные диаграммы.
Узнаем, как развертывать контрольную панель на Heroku, чтобы проектом можно было делиться.

➡️ Читать дальше
⚙️ Код

@machinelearning_ru

Google's New AI: Dog Goes In, Statue Comes Out! 🗽

🎞 Разбор статьи
🗒 Статья

@machinelearning_ru

👱‍♂️ Редактор 3D лиц в онлайн

C данным алгоритмом можно легко и просто сгенерить на основе GAN лицо и отредактировать его в 3D.
Исследователи из Tencent AI Lab, ByteDance и Университета Цинхуа представили IDE-3D, новую генеративную модель для рисования лица в режиме свободного просмотра, редактирования и управления стилем. Система, работающая на базе GAN, обеспечивает локальное управление формой и текстурой лица, а также интерактивное редактирование в режиме онлайн.
Тем, кто следит за нашими постами, очевидно, что совместили сразу несколько GAN нейросетей, добавив визуальный редактор.

Установка

git clone --recursive https://github.com/MrTornado24/IDE-3D.git
cd IDE-3D
conda env create -f environment.yml

➡️ Проект
⚙️ Код
🗒 Статья

@machinelearning_ru

📌 MGAD-multimodal-guided-artwork-diffusion

Алгоритм создания цифровых иллюстраций на основе диффузии, который использует мультимодальные подсказки в качестве руководства для управления моделью.

git clone https://github.com/openai/CLIP
pip install -e ./CLIP
pip install -e ./guided-diffusion
pip install lpips

⚙️ Код
🗒 Статья

@machinelearning_ru

Google’s New Self-Driving Robot Is Amazing! 🤖

🎞 Разбор статьи
🗒 Статья

@machinelearning_ru

📎 TVLT: Textless Vision-Language Transformer

conda create -n TVLT python=3.8 # You can also use other environment.

⚙️ Код
🗒 Статья
Colab
➡️ Dataset

@machinelearning_ru

✔️ 6 алгоритмов машинного обучения, которые должен знать каждый исследователь данных

Алгоритмы машинного обучения делятся на контролируемые и неконтролируемые.

Алгоритмы контролируемого обучения моделируют отношения между помеченными входными и выходными данными (также известными как целевые данные). Впоследствии такая модель используется для предсказания метки новых наблюдений с помощью новых помеченных входных данных. Если целевая переменная дискретная, алгоритм решает задачи классификации, а если целевая переменная непрерывная  —  алгоритм используется для задач регрессии.

В отличие от контролируемого, неконтролируемое обучение не опирается на помеченные входные/выходные данные, а обрабатывает непомеченные данные.

➡️ Читать дальше

@machinelearning_ru

🎓 Stanford CS25 бесплатный курс по Трансформерам

✔️ Курс: https://web.stanford.edu/class/cs25/

➡️ Лекции: https://www.youtube.com/playlist?list=PLoROMvodv4rNiJRchCzutFw5ItR_Z27CM

@machinelearning_ru

🔋 Denoising of 3D MR images using a voxel-wise hybrid residual MLP-CNN model to improve small lesion diagnostic confidence

⚙️ Код
🗒 Статья
➡️ Dataset


@machinelearning_ru

Как масштабировать многопроцессорность Python до кластера с помощью одной строчки кода

Программы начинаются с малого. Будь то исследовательский анализ данных или построение модели машинного обучения, важно как можно быстрее заставить что-то простое работать. Однако со временем требования меняются, и некогда небольшие программы необходимо масштабировать, чтобы обрабатывать больше данных или использовать больше вычислительных ресурсов. К сожалению, изменение программы для масштабирования на несколько ядер или нескольких машин часто требует переписывания ее с нуля, не говоря уже о решении множества сложностей, связанных с параллелизмом и распределенными системами.

Многопроцессорность Python предлагает одно решение этой проблемы, предоставляя набор удобных API-интерфейсов, которые позволяют программам Python использовать преимущества нескольких ядер на одной машине. Однако, хотя это может помочь масштабировать приложение в 10 или даже 50 раз, оно все же ограничено параллелизмом одной машины, и выход за рамки этого потребует переосмысления и переписывания приложения.

В этом сообщении в блоге я расскажу, как можно преодолеть это ограничение, беспрепятственно масштабируясь до многоузлового кластера с помощью ray.util.multiprocessing.Pool API, выпущенного вместе с Ray - без переписывания своей программы!

➡️ Читать дальше

@machinelearning_ru

Google’s New AI: Fly INTO Photos…But Deeper! 🐦

🎞 Разбор статьи
🗒 Статья

@machinelearning_ru

Google's AI: Stable Diffusion On Steroids! 💪

Google AI представил новый вариант stable diffusion, с возможностью редактировать изначально сгенерированное изображение через изменения описаний. Теперь, если первое изображение вас устраивает только частично, можно вносить коррективы и не беспокоиться, что какое-нибудь красивое дерево с пейзажа убежит, когда вы редактируете животное на переднем планет.


🎞 Разбор статьи
🗒 Статья
⚙️ Код

@machinelearning_ru

AI cимуляция , похожая на реальность! 🤯

🎞 Разбор статьи
🗒 Статья

@machinelearning_ru