প্রযুক্তিগত গাইড

প্রতিপক্ষের ডিফিউশন পাতন এবং টার্বো মডেল

অ্যাডভারসারিয়াল ডিফিউশন ডিস্টিলেশন (ADD) হল একটি প্রশিক্ষণ পদ্ধতি যা একটি ধীর, বহু-পদক্ষেপের ডিফিউশন মডেলকে একজন শিক্ষার্থীতে পরিণত করে যা এক থেকে চারটি ধাপে ছবি তৈরি করে।

এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min

এই পৃষ্ঠায়4 মিনিট পড়া
  1. ওভারভিউ
  2. গভীর ডুব
  3. বাস্তব-বিশ্ব বাস্তবায়ন
  4. দ্য ফিউচার অফ অ্যাডভারসারিয়াল ডিফিউশন ডিস্টিলেশন এবং টার্বো মডেল
  5. এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
  6. অন্বেষণ চালিয়ে যান
  7. প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

ওভারভিউ

এটি একটি বৈষম্যকারীর কাছ থেকে একটি প্রতিকূল ক্ষতিকে মূল শিক্ষক মডেলের দিকনির্দেশনার সাথে একত্রিত করে। ADD SDXL Turbo তৈরি করেছে, এবং SD3 Turbo-এর মতো দ্রুত মডেলের জন্য এবং Black Forest Labs, Flux.1 schnell অনুযায়ী একটি সুপ্ত রূপ ব্যবহার করা হয়েছিল। ফলাফল বৈচিত্র্য এবং সূক্ষ্ম নিয়ন্ত্রণে কিছু খরচে সাধারণ হার্ডওয়্যারে কাছাকাছি-রিয়েল-টাইম ইমেজ জেনারেশন।

গভীর ডুব

একটি স্ট্যান্ডার্ড ডিফিউশন মডেল অনেকগুলি ধাপে শব্দ অপসারণ করে একটি চিত্র তৈরি করে, সাধারণত 20 থেকে 50, এবং প্রতিটি ধাপ একটি বৃহৎ নেটওয়ার্কের মাধ্যমে একটি সম্পূর্ণ পাস। পাতন একটি ছাত্র নেটওয়ার্ককে অনেক কম ধাপে অনুরূপ ফলাফলে পৌঁছানোর প্রশিক্ষণ দেয়। Stability AI Axel Sauer এবং সহকর্মীদের দ্বারা 2023 সালের নভেম্বরের একটি গবেষণাপত্রে অ্যাডভারসারিয়াল ডিফিউশন ডিস্টিলেশন চালু করেছে, যা SDXL Turbo-এর পাশাপাশি প্রকাশিত হয়েছে। ছাত্রটি পূর্বপ্রশিক্ষিত SDXL ওজন থেকে শুরু করে এবং দুটি ক্ষতির সাথে প্রশিক্ষিত হয়। প্রতিপক্ষের ক্ষতি একটি বৈষম্যকারীর কাছ থেকে আসে যা বাস্তব চিত্র থেকে শিক্ষার্থীর ফলাফলগুলি বলার চেষ্টা করে। ADD-তে, এই বৈষম্যকারী একটি হিমায়িত প্রি-ট্রেইনড ভিশন ব্যাকবোন (DINOv2) এর উপর ছোট প্রশিক্ষনযোগ্য মাথা সহ নির্মিত। পাতন ক্ষতি একটি শিক্ষক হিসাবে মূল SDXL ব্যবহার করে. ছাত্রের আউটপুট আবার শোরগোল করে, শিক্ষক তা অস্বীকার করেন, এবং ছাত্রকে শিক্ষকের ভবিষ্যদ্বাণীর দিকে ঠেলে দেওয়া হয়, এটি স্কোর পাতনের একটি রূপ। প্রতিপক্ষ শব্দটি একক-পদক্ষেপের চিত্রগুলিকে তীক্ষ্ণ রাখে, এবং শিক্ষক শব্দটি বড় মডেল যা জানে তার প্রতি তাদের বিশ্বস্ত রাখে। একটি পরবর্তী রূপ, ল্যাটেন্ট অ্যাডভারসারিয়াল ডিফিউশন ডিস্টিলেশন (LADD), শিক্ষকের নিজস্ব বৈশিষ্ট্যগুলি ব্যবহার করে সুপ্ত স্থানে বৈষম্যকারী চালায়, যা পিক্সেলে ব্যয়বহুল ডিকোডিং এড়ায়। এটি SD3 Turbo-এর জন্য ব্যবহার করা হয়েছিল, এবং Black Forest Labs বলেছে যে Flux.1 schnell এইভাবে প্রশিক্ষিত হয়েছিল। ট্রেড-অফ বাস্তব. পাতিত মডেলগুলি সাধারণত কিছু নমুনা বৈচিত্র্য হারায়, তাই একই প্রম্পটের জন্য বিভিন্ন বীজ একই রকম দেখতে পারে। ক্লাসিফায়ার-মুক্ত নির্দেশিকা সাধারণত অন্তর্নির্মিত হয়, তাই নির্দেশিকা স্কেল এবং নেতিবাচক প্রম্পটগুলি ভিন্নভাবে আচরণ করে বা খুব কমই কাজ করে। সূক্ষ্ম বিবরণ, পাঠ্য রেন্ডারিং এবং অস্বাভাবিক রচনাগুলি শিক্ষকের চেয়ে পিছিয়ে থাকতে পারে। একটি সাধারণ ভুল ধারণা হল যে একটি টার্বো মডেল হল সম্পূর্ণ মডেল যা কম ধাপে চালানো হয়। একটি সাধারণ মডেল এক ধাপে চালানো একটি অস্পষ্ট জগাখিচুড়ি দেয়, এবং গতি পুনরায় প্রশিক্ষণ থেকে আসে। দ্রুত স্যাম্পলিংয়ের অন্যান্য রুটের মধ্যে রয়েছে ধারাবাহিকতা মডেল, এলসিএম, প্রগতিশীল পাতন এবং SDXL লাইটনিং।

বাস্তব-বিশ্ব বাস্তবায়ন

একটি লাইভ ড্রয়িং অ্যাপ প্রতিবার ব্যবহারকারী যখনই একটি স্কেচ টাইপ করে বা সম্পাদনা করে, এক ধাপে SDXL Turbo ব্যবহার করে ইমেজটিকে পুনরুজ্জীবিত করে যাতে ফলাফল প্রায় সঙ্গে সঙ্গে দেখা যায়।

একটি গেম স্টুডিও প্রোটোটাইপিং কনসেপ্ট আর্ট চারটি ধাপে Flux.1 schnell-এর সাথে শত শত দ্রুত বৈচিত্র তৈরি করে, তারপরে একটি ধীরগতির পূর্ণ মডেলের সাথে নির্বাচিতদের পরিমার্জন করে।

একজন বিকাশকারী দেখতে পান যে নেতিবাচক প্রম্পট এবং উচ্চ নির্দেশিকা মান একটি টার্বো মডেলে খুব কমই করে, কারণ নির্দেশিকা পাতনের সময় তৈরি করা হয়েছিল। তারা পরিবর্তে প্রম্পট শব্দ সমন্বয়.

একটি ছোট অলাভজনক সংস্থা একটি মধ্য-পরিসরের GPU-তে একটি স্থানীয় চিত্র টুল চালায় এবং একটি পাতিত মডেল বেছে নেয় কারণ চার-পদক্ষেপ প্রজন্ম লাইভ ওয়ার্কশপের জন্য যথেষ্ট কম অপেক্ষা করে।

দ্য ফিউচার অফ অ্যাডভারসারিয়াল ডিফিউশন ডিস্টিলেশন এবং টার্বো মডেল

কয়েক ধাপ প্রজন্ম নতুন ইমেজ মডেলের জন্য একটি প্রত্যাশিত বিকল্প হয়ে উঠেছে, এবং অনুরূপ পাতন ধারণা ভিডিওতে প্রয়োগ করা হচ্ছে, যেখানে প্রতিটি সংরক্ষিত পদক্ষেপ আরও বেশি গুরুত্বপূর্ণ। বৈচিত্র্য এবং তাৎক্ষণিক নিয়ন্ত্রণের ফাঁকগুলি বন্ধ করার উপর গবেষণা অব্যাহত রয়েছে, উদাহরণস্বরূপ বন্টন-ম্যাচিং উদ্দেশ্যগুলির সাথে প্রতিকূল ক্ষতির সমন্বয় করে। এক-পদক্ষেপের মডেলগুলি তাদের শিক্ষকদের সাথে পুরোপুরি মেলে কিনা তা এখনও একটি উন্মুক্ত প্রশ্ন, এবং উত্তরটি কীভাবে গুণমান পরিমাপ করা হয় তার উপর নির্ভর করে। ব্যবহারকারীদের জন্য, ব্যবহারিক ফলাফলটি আরও পছন্দের: ড্রাফ্ট, প্রিভিউ এবং ইন্টারেক্টিভ টুলের জন্য দ্রুত পাতিত মডেল এবং বিস্তারিত এবং নিয়ন্ত্রণ সবচেয়ে গুরুত্বপূর্ণ হলে ধীর পূর্ণ মডেল।

এটাকে বাস্তবে প্রয়োগ করা হচ্ছে

কেন এটা গুরুত্বপূর্ণ

  • খরচ ও বাজেট. আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
  • সুস্পষ্ট সিদ্ধান্ত. কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
  • মান নিয়ন্ত্রণ. ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।

জন্য সতর্ক

  • একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
  • অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
  • সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।

পরবর্তী পদক্ষেপ

  1. বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
  2. বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
  3. ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
  4. স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।

অন্বেষণ চালিয়ে যান

ফ্রি নিউজলেটার

প্রতিদিনের এআই ব্রিফিং পান

প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।

প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।

নিজেকে পরীক্ষা করুন

অ্যাডভার্সারিয়াল ডিফিউশন ডিস্টিলেশন এবং টার্বো মডেলস কুইজ দিন

প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।

কুইজ শুরু করুন

ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

অ্যাডভারসারিয়াল ডিফিউশন ডিস্টিলেশন এবং টার্বো মডেল কী?

অ্যাডভারসারিয়াল ডিফিউশন ডিস্টিলেশন (ADD) হল একটি প্রশিক্ষণ পদ্ধতি যা একটি ধীর, বহু-পদক্ষেপের ডিফিউশন মডেলকে একজন শিক্ষার্থীতে পরিণত করে যা এক থেকে চারটি ধাপে ছবি তৈরি করে। এটি একটি বৈষম্যকারীর কাছ থেকে একটি প্রতিকূল ক্ষতিকে মূল শিক্ষক মডেলের দিকনির্দেশনার সাথে একত্রিত করে। ADD SDXL Turbo তৈরি করেছে, এবং SD3 Turbo-এর মতো দ্রুত মডেলের জন্য এবং Black Forest Labs, Flux.1 schnell অনুযায়ী একটি সুপ্ত রূপ ব্যবহার করা হয়েছিল। ফলাফল বৈচিত্র্য এবং সূক্ষ্ম নিয়ন্ত্রণে কিছু খরচে সাধারণ হার্ডওয়্যারে কাছাকাছি-রিয়েল-টাইম ইমেজ জেনারেশন।

ADD কোন দুটি ক্ষতি একত্রিত করে?

ADD একটি বৈষম্যকারীর প্রতিকূল ক্ষতিকে জোড়া দেয়, যা চিত্রগুলিকে তীক্ষ্ণ রাখে, শিক্ষকের কাছ থেকে স্কোর-পাতনের ক্ষতির সাথে, যা তাদের আসল মডেলের প্রতি বিশ্বস্ত রাখে।

ADD কাগজের পাশাপাশি কোন মডেলটি প্রকাশিত হয়েছিল?

Stability AI Sauer এবং সহকর্মীদের দ্বারা নভেম্বর 2023 ADD কাগজের সাথে SDXL Turbo প্রকাশ করেছে।

ADD এর বৈষম্যকারী কি ব্যাকবোন ব্যবহার করে?

বৈষম্যকারী হিমায়িত পূর্বপ্রশিক্ষিত DINOv2 বৈশিষ্ট্যগুলি ব্যবহার করে এবং তাদের উপরে শুধুমাত্র ছোট মাথাগুলিকে প্রশিক্ষণ দেয়।

কিভাবে LADD ADD থেকে আলাদা?

LADD শিক্ষকের নিজস্ব বৈশিষ্ট্য ব্যবহার করে সুপ্ত স্থানে বৈষম্য নিয়ে যায়, যা পিক্সেলে ব্যয়বহুল ডিকোডিং এড়িয়ে যায়।

কেন নেতিবাচক প্রম্পট প্রায়শই টার্বো মডেলগুলিতে সামান্য প্রভাব ফেলে?

নেতিবাচক প্রম্পট ক্লাসিফায়ার-মুক্ত নির্দেশনার মাধ্যমে কাজ করে। পাতিত মডেলগুলি সাধারণত প্রশিক্ষণের সময় নির্দেশিকা শোষণ করে এবং এটি ছাড়াই চলে, তাই নেতিবাচক প্রম্পটগুলি তাদের প্রভাব হারায়।

শিখতে থাকুন

সম্পর্কিত গাইড

এই বিষয়ের জন্য বাছাই করা আরও গাইড

একটি বিনামূল্যে AI শংসাপত্র পানএকটি সংক্ষিপ্ত বিনামূল্যে কোর্স এবং পরীক্ষা. কোনো খরচ নেই, কোনো কার্ড নেই। প্রায় 2.5 ঘন্টা।বিনামূল্যে শুরু করুন →