VQ-VAE : apprentissage des représentations neuronales discrètes | Explication du code PyTorch et papier

❤️ Devenez un IA Epiphany Patreon ❤️ ► Dans cette vidéo, je présente l’article VQ-VAEs : 1) Apprentissage de la représentation discrète neurale 2) Utilisez VQ-VAE-2 pour générer des images haute fidélité diversifiées (la seule différence est qu’il y a du potentiel et expérience avancée) De nombreux articles d’IA nouveaux et intéressants, tels que DALL-E et Jukebox d’OpenAI, et VQ-GAN basé sur VQ-VAE, il est donc très important de maîtriser leurs principes de fonctionnement. ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ ✅VQ-VAE1 Papier : VQ-VAV-VAE2 VQ-VAE2 Papier : BOC Explication : Code : Py ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬⌚️ Horaire : 00:00 Introduction 01:10 sur la tangente de l’autoencodeur et VAE 80 Explication VAE derrière la représentation discrète 07:80 Haut 07:50 secondes-cadre VAE 11:20 Recherche approfondie 13:05 Perte VQ-VAE 16:20 PyTorch atteint 23:30 KL terme manquant 25:50 Modèle autorégressif précédent 28:50 résultat 32:20 VQ-VAE deux ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ ▬▬▬▬▬▬▬▬▬▬ ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ Utile, pensez à m’aider en me soutenant ! AI Epiphany ► Don unique : grand amour ! ❤️ Merci beaucoup pour ces patreons AI Epiphany : Eli Mahler Petar Veličković Zvonimir Sabljic ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ ▬▬▬▬▬▬▬▬▬▬▬⬖Le domaine de l’intelligence artificielle utilise la visualisation créative. De manière générale, une plus grande attention est accordée à la géométrie et à l’intuition visuelle, plutôt que l’algèbre et l’« intuition » numérique. ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ 👋Connectez-vous avec moi sur les réseaux sociaux (je suis principalement actif sur Facebook, GITHUB et Twitter ►) Suivez-moi pour des projets sympas : GitHub ► ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ ▬▬▬▬qcrete#disp