Pārsūtīšanas apmācība ar difūzijas modeli
Pārsūtīšanas apmācība ar difūzijas modeļiem pielāgo lielu iepriekš apmācītu difūzijas modeli — piemēram, Stable Diffusion vai DALL-E 2 — jaunam mērķa domēnam vai uzdevumam, turpinot apmācību uz mazāka domēnam specifiska datu kopuma. Tā vietā, lai apgūtu pilnu ģeneratīvo procesu no nulles, praktiķi izmanto jau miljonos apmācības soļu kodētas zināšanas, lai sasniegtu augstas kvalitātes domēnam adaptētu ģenerēšanu ar pieticīgiem datiem un aprēķinu resursiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- Ruiz, N., Li, Y., Jampani, V., Pritch, Y., Rubinstein, M., & Aberman, K. (2023). DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation. CVPR 2023. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/lv/deep-learning/transfer-learning-diffusion-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Domēnam adaptīvs difūzijas modelisDziļā mācīšanās↔ compare
- Pielāgots difūzijas modelisDziļā mācīšanās↔ compare
- Multimodāls difūzijas modelisDziļā mācīšanās↔ compare
- Pašuzraudzības difūzijas modelisDziļā mācīšanās↔ compare
- Pārneses apmācība ar konvolucionālo neironu tīkluDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →