รวมงาน AI เจ๋งๆ (งานใหม่ๆ อยู่โพสต์หลังๆ) - คุยกันภาษา AI

RE: รวมงาน AI เจ๋งๆ (งานใหม่ๆ อยู่โพสต์หลังๆ)

The Neural Engineer — Thu, 23 Jan 2025 07:43:54 +0000

https://substack-post-media.s3.amazonaws.com/public/images/6fe1b951-0914-4ada-9fb5-f5c25dc92350_1098x878.png

พอกันที่ ้https://thaiagi.substack.com เร็วๆ นี้

RE: รวมงาน AI เจ๋งๆ (งานใหม่ๆ อยู่โพสต์หลังๆ)

The Neural Engineer — Fri, 24 Mar 2023 13:59:47 +0000

โน้ตย่อความเคลื่อนไหว AI - มีนาคม 2023

GPT-4, Llama, Alpaca, LoRa, PEFT, MidJourney-v5 และ Stable Diffusion ชื่อเหล่านี้ปรากฏเป็นข่าวในวงการ AI ในทุกฟีดข่าว

เวลานี้คือยุคทองของวงการ AI ซึ่งมีโปรแกรมหรือโมเดลคือนวัตกรรมใหม่ที่คนทั้งโลกตื่นเต้นมากมาย ที่สำคัญคือสามารถนำไปสร้าง End-Product ได้จริงระดับมืออาชีพ และทุกคน ไม่ว่าจะเป็น AI Researchers, Programmers, Practitioners หรือ Learners ก็ควรรู้และติดตามเทคโนโลยีแห่งอนาคตนี้ไว้ครับ

วันนี้ขอจดโน้ตสรุปโมเดลข้างต้นคร่าวๆ เพื่อเป็นแหล่งอ้างอิงหรือแนวทางให้เพื่อนๆ ได้ไปศึกษากันต่อนะครับ

ก่อนอื่นขอจัดหมวดหมู่ภาพใหญ่สำหรับเพื่อนๆ ที่เพิ่งเริ่มศึกษาก่อนนะครับ :

GPT-4, ChatGPT, Llama และ Alpaca เป็น Generative text models ใช้สร้างสรรค์บทความหรือตอบปัญหาต่างๆ เป็นภาษามนุษย์โดยมีจุดมุ่งหมายที่จะเป็นเหมือน Jarvis ในเรื่อง Ironman

MidJourney และ Stable Diffusion เป็น Generative image models ใช้สร้างสรรค์ภาพต่างๆ ไม่ว่าจะเป็นภาพถ่าย หรือภาพวาดระดับมืออาชีพในหลากหลายสไตล์

Adaptor-Transformers และ PEFT models คือ เทคนิคเจ๋งๆ ที่เป็นเสมือน Plugins ขนาดเล็กที่นำมาต่อเติมกับโมเดลใดๆ ก็ได้ข้างต้น เช่น GPT หรือ Diffusion แล้วทำให้สไตล์ของโมเดลต้นฉบับปรับเปลี่ยนไปตามที่เราต้องการ ตัวอย่าง plugin model ที่คนนิยมใช้มากที่สุดคือ LoRa (โดยเอามาใช้กับ stable diffusion)

——

Generative Text Models:

——

GPT-4 สามารถอ่านรูปได้ด้วยแต่ยังไม่เปิดให้ใช้งานตอนนี้ เวอร์ชั่นอ่าน text อย่างเดียว สามารถลองเล่นได้จาก ChatGPT plus เดือนละ 700 บาท หรือลองเล่น Microsoft Bing Chat ดูฟรีๆ ก็ได้เห็นไอเดียครับ

สำหรับความสามารถของ GPT-4 แม้มีหลายคนจะบอกว่ามันฉลาดกว่า ChatGPT3.5 มาก แต่การทดสอบที่ค่อนข้างรัดกุม (เกี่ยวกับเรื่องความสามารถในการเขียนโค้ด) ดูแล้วจะฉลาดกว่าเล็กน้อยเท่านั้นครับ

https://youtu.be/Y9LIDMV-fw4

Llama คือ โมเดล Opensource (ใช้ได้ฟรี) จาก Meta / Facebook โดย ความเจ๋งของ Llma ก็คือ Meta ได้ทำการทดลองแล้วว่า Llama ขนาด 13B นั้นมีประสิทธิภาพเหนือกว่า GPT-3 175B ที่ใหญ่กว่า 13 เท่าในแทบทุกการวัดผล : https://arxiv.org/pdf/2302.13971.pdf

ซึ่งเมื่อรวมกับเทคนิค 8-bits model หรือ PEFT/LoRa (ดูด้านล่าง) ทำให้โมเดล Llama ขนาด 7B และ 13B สามารถรันหรือแม้กระทั่งสอนใน GPU ราคาถูกตามบ้าน : ดูเพิ่ม https://thaikeras.com/community/postid/783/

อย่างไรก็ดี Llama ไม่ได้วัดผลเทียบกับ ChatGPT ซึ่งก็คือ GPT-3.5 ที่มีการสอนเพิ่มเติมจาก feedback ของมนุษย์เพิ่มเข้าไปอีก

จึงเป็นที่มาของ Alpaca ของ Stanford ที่นำ feedback ของมนุษย์มาสอน llama เพิ่ม ดังนั้นในทางทฤษฎี Alpaca 7B หรือ 13B น่าจะมีประสิทธิภาพใก้ๆ กับ ChatGPT3.5 ครับ : https://crfm.stanford.edu/2023/03/13/alpaca.html

==ล่าสุด== ขณะเขียนโน้ตย่อนี้ยังไม่จบ ChatGPT ได้ประกาศอีก 1 module สำคัญคือ ChatGPT plugins ซึ่งต่อ ChatGPT เข้ากับโปรแกรมเช่น

Wolfram alpha เพื่อตอบปัญหาคณิตศาสตร์ วิทยาศาสตร์ หรือเศรษฐศาสตร์อย่างถูกต้องมากขึ้น
Kayak เพื่อค้นหาตั๋วเครื่องบิน ตามจุดต่างๆ ทั่วโลกจากข้อมูลตั๋วจริงๆ ของ Kayak (ไม่ใช่ข้อมูลเก่าที่ GPT เรียนมา)
Instacart เพื่อค้นหาของช้อปปิ้งตามร้านสะดวกซื้อจากข้อมูลจริง
อื่นๆ อีกมากมายที่จะตามมาในอนาคต

โดย ChatGPT plugin ซึ่งต่างจาก PEFT plugin ในหัวข้อข้างล่าง จะทำการแปลง query ของ user ไปเป็น query ให้ partners เช่น Wolfram หรือ Kayak และจะแปลงข้อมูลจาก partners เหล่านั้นกลับมาเป็น prompt เพื่อสร้างคำตอบอีกที (ผู้ใช้งานจะไม่เห็นขั้นตอนเหล่านี้) ดังนั้นคำตอบของ ChatGPT ที่เชื่อมกับ plugin จะมาจากข้อมูลปัจจุบันจริง ไม่ได้มโนหรือมาจากข้อมูลสอนเก่า

——

Generative Image Models และ PEFT:

——

MidJourney v5 เพิ่งจะเปิดตัวเดือนนี้และได้รับคำชมอย่างล้นหลามถึงความสมจริงของ รูปที่ generate มีหลายคลิป video ที่น่าสนใจ ที่ทำให้เพื่อนๆ ใช้ ChatGPT มาสร้าง prompt ของ MidJourney-v5 ได้งามๆ โดยเราไม่ต้องลำบากไปคิดเอง เช่น

https://youtu.be/Asg1e_IYzR8

Stable Diffusion ยังคงเป็นโมเดลคู่แข่งตัวฉกาจของ Midjourney ด้วยความที่มันเป็น opensource ทำให้ใช้ได้ฟรีและถูกพัฒนาไปเร็วแบบก้าวกระโดด ไม่เฉพาะในแง่คุณภาพ แต่ในแง่การใช้งานง่ายด้วยครับ โดยเครื่องมือที่ดังมาก มีชื่อว่า Automatic 1111 Stable Diffusion Web UI. มีบทความภาษาไทยดีๆ ที่จับมือทำตั้งแต่เริ่มลงโปรแกรมและใช้งานอย่างละเอียดโดยคุณ “เทพ excel” ครับ

https://www.thepexcel.com/category/ai/

หรือภาษาอังกฤษ : https://stable-diffusion-art.com/automatic1111/

โดยจุดเด่นมากๆ ของ Opensource Stable Diffusion ก็คือการที่นักพัฒนานำเทคนิคที่ชื่อว่า PEFT (Parameter Efficient Finetuning) เข้ามาช่วยครับ โดยอย่างที่เกริ่นไปตอนต้น เทคนิค PEFT นี้แท้จริงแล้ว เป็นโมเดล plugin ขนาดเล็กมาก ที่นำมาต่อเข้ากับ transformers ใดก็ได้

และทำหน้าที่ปรับจูนความสามารถของ transformers ตัวเดิมให้เปลี่ยนไปตาม plugin

https://huggingface.co/blog/peft

ในตัวอย่างของเทพ excel ด้านบนก็มี ใช้ Stable Diffusion เป็น transformers ดั้งเดิมแล้วใส่ plugin “ชุดนักศึกษาไทย” เข้าไป ทำให้โมเดล generate ภาพสาวไทยได้สวยขึ้นกว่าเดิมมากๆ

PEFT Plugin ที่คนนิยมมากคือ LoRa ซึ่ง plugin เหล่านี้ จุดเด่นก็คือมันเล็ก ขนาดไม่กี่สิบหรือร้อย MB ซึ่งเล็กกว่าโมเดลต้นฉบับนับร้อยเท่า ทำให้นำมาสอนได้อย่างง่ายกับ GPU บ้านๆ (ดูบทความฉบับก่อน)

วงการ plugin ไปไกลและเร็วมาก ตอนนี้มีเว็บ civitai.com ที่มี plugins ต่างๆ (รวมทั้ง weights ตัวเต็มของ Stable Diffusion) ให้เลือกดาวโหลดปรับแต่งนับพันรูปแบบ เข้าไปดูเว็บนี้แล้วแทบจะออกไมได้ทีเดียว

บทความภาษาไทยนอกจากเพจ ‘เทพ Excel’ ยังมี fb หลายๆ pages ภาษาไทยที่เน้น applications หรือสอนการใช้งาน tools ต่างๆ อย่างละเอียด

เพจ DeepPub : https://web.facebook.com/profile.php?id=100088716401766

เพจ คิดไม่ออกบอก AI : https://web.facebook.com/AiforThai

วงการ AI วินาทีนี้พัฒนาไปเร็วมาก แอดมินเองก็ยังตามไม่ค่อยทัน

ขอจบสรุปโน้ตสั้นๆ เท่านี้ก่อน ถ้าเพื่อนๆ มี resources ดีๆ แชร์เพิ่มเติมใน comments ได้เลยนะครับ

RE: รวมงาน AI ระดับ “มหัศจรรย์”

The Neural Engineer — Tue, 31 Jan 2023 09:51:26 +0000

"Whisper" โมเดล "multi-lingual" speech recognition ล่าสุดจาก OpenAI ที่เทรนด้วยข้อมูลเสียงจำนวน 680,000 ชั่วโมง สามารถเรียกใช้ได้ง่ายๆ ไม่กี่บรรท้ดบน Huggingface Transformers (เวอร์ชั่น Tensorflow) แล้ว

โมเดลนี้สามารถถอดเสียงพูดได้หลายสิบภาษารวมทั้งภาษาไทย (ดูภาษาที่รองรับที่ https://cdn.openai.com/papers/whisper.pdf Table 14)

ดูตัวอย่างโค้ดในรูปด้านล่าง หรือ Colab โน้ตบุคตัวอย่างที่ https://colab.research.google.com/drive/191WGH59ZZ-xyu8d6GWbuqZHa_MQJmQpA?usp=sharing

credit: โพสต์ของ Amy Roberts : https://www.linkedin.com/feed/update/urn:li:activity:6985927180752949248/

RE: รวมงาน AI ระดับ “มหัศจรรย์”

The Neural Engineer — Sun, 27 Mar 2022 15:30:24 +0000

0-shot “Style-transfer” สำหรับ StyleGAN !! (Notebook ลองเล่นท้ายบทความ)

ThaiKeras and Kaggle - 27 มีค 2022

รูปที่1

วันนี้อยากชวนเพื่อนๆ มาเล่น StyleGAN-NADA ซึ่งเป็น "0-shot out-of-domain style-transfer" สำหรับ pretrained StyleGAN โดย StyleGAN นั้นเป็นสุดยอด generative model ที่สามารถสร้างสรรค์รูปที่สวยงามระดับภาพ่ถ่ายได้เป็นโมเดลแรกๆ

"0-shot out-of-domain style-transfer" คืออะไร ?

พูดภาษาบ้านๆ ก็คือ สมมติเรามี pretrained StyleGAN ที่เป็นโมเดลที่ถูกสอนให้วาดรูปต่างๆ ได้อย่างสวยงาม

(เช่น pretrained weights ที่วาดรูป ดารา หรือน้องหมา หรือน้องแมวอย่างใดอย่างนึงได้) เราจะสามารถปรับ style ของรูปที่วาดให้เป็น รูปสไตล์ปิกาสโซ หรือสไตล์การ์ตูนญี่ปุ่น หรือสไตล์การ์ตูนดิสนีย์ ดังแสดงในรูปที่2 ได้

“โดยที่ไม่ต้องให้ตัวอย่างแม้แต่ตัวอย่างเดียว” (ที่มาของคำว่า 0-shot)

รูปที่2

และการทำ style-transfer ไปเป็นภาพวาดหรือการ์ตูนต่างๆ ดังกล่าวนั้น

นั้นแตกต่างจากความสามารถที่ฝังใน pretrained weights ของ StyleGAN เดิมอย่างสิ้นเชิง จึงเป็นที่มาของความสามารถด้าน “out-of-domain” ครับ

(ขยายความ : ซึ่งแตกต่างจาก in-domain Style transfer เช่น การเปลี่ยนสไตล์ภาพถ่ายให้มีสีผิว

ทรงผม หันหน้าไปทางทิศที่กำหนด ซึ่งเป็นการเปลี่ยนสไตล์เหมือนกัน แต่ยังอยู่ในขอบเขตความสามารถของ

StyleGAN เดิม การเปลี่ยนสไตล์แบบนี้จึงเรียกว่า in-domain ครับ)

StyleGAN-NADA ทำ 0-shot out-of-domain transfer ได้อย่างไร?

ไอเดียคร่าวๆ อธิบายได้ตามรูปที่ 1 และรูปที่ 3 ครับ

https://i.imgur.com/0M3zvlz.jpg

รูปที่ 3.

Input ที่ NADA ต้องการนั้นคือ text 2 ข้อความเท่านั้น โดย text แรกคือ source text ที่อธิบายสไตล์เดิม

ที่ติดมากับ pretrained weights เช่น อาจใช้คำว่า ‘’photo” ก็ได้เพราะ StyleGAN จะวาดภาพออกมาในสไตล์ภาพถ่าย

Text ที่สองก็คือ destination text หรือ text ที่อธิบาย style ที่เราอยากเปลี่ยน เช่น “pixar” , “disney”, “mona lisa”

หรือ “sketch” เป็นต้น

แล้ว NADA เปลี่ยนสไตล์แบบ 0-shot จาก 2 texts นี้ได้อย่างไร ??

คำตอบก็คือใช้พลังของโมเดลมหัศจรรย์อย่าง OpenAI’s CLIP ซึ่งเป็นโมเดลที่สามารถเปลี่ยน text หรือ image ใดๆ ให้อยู่ในรูป vectors ได้ครับ

จากนั้นเราจะคำนวณ ‘’ทิศทาง” ที่จะเปลี่ยนสไตล์จากทิศทางของ texts ทั้งสองข้อความนั้นตามรูปที่่ 3 ครับ

จากรูปที่ 1 และ 3 เราจะเห็นว่าเมื่อได้ทิศทางที่ต้องการใน CLIP vector space แล้ว เราก็เพียงแค่ต้องให้ generated images นั้นเปลี่ยนไปในทิศทางเดียวกันใน CLIP vector space ด้วยนั่นเอง

เนื่องจาก CLIP นั้นเป็นโมเดลที่ถูกสอนมาให้รับ input ได้ทั้ง images และ texts ดังนั้น images ก็จะถูก CLIP เปลี่ยนเป็นเวกเตอร์แบบเดียวกับ text

ดังนั้น StyleGAN-NADA จะมี StyleGAN ทั้งหมด 2 โมเดลฝังอยู่ด้วยกัน แต่ตัวแรกจะถูก freeze weights ไว้ เพื่อให้สอดคล้องกับ source text ส่วนตัวที่สองจะเป็น StyleGAN ที่เราต้องการจะเปลี่ยนสไตล์ก็จะถูกปรับ เรียนรู้ weights จาก backpropagation

โดยเมื่อเราได้ image1 ที่วาดจาก Frozen StyleGAN และ image2 ที่ได้จาก Trainable StyleGAN เราก็จะนำ image CLIP vectors ของทั้งสองมาลบกันเพื่อให้ได้เวกเตอร์ทิศทาง (direction vector) ที่เราจะต้องเอามาเทียบกับเวกเตอร์ทิศทางที่ได้จาก Text vectors

การสอน StyleGAN-NADA จึงกำหนดจากทิศทางของ text direction vector และทิศของ image direction vector นั้นควรจะหันไปด้านเดียวกัน

ตามรูปที่ 1 และ 3 ครับ ซึ่งสามารถใช้ cosine loss เพื่อการนี้ได้ครับผม

เพื่อนๆ สามารถลองเล่น StyleGAN-NADA ได้ง่ายๆ ที่ notebook นี้ครับ

(ทีม ThaiKeras refactor โค้ดเดิมให้เป็น Pytorch Lightning ซึ่ง structure คล้ายกับ Keras subclassing มาก ทำให้โค้ดจัดเรียงเป็นระเบียบ อ่านง่ายขึ้นครับ)

Notebook : https://www.kaggle.com/code/ratthachat/lightning-stylegan-nada-playground

Original NADA Github : https://github.com/rinongal/stylegan-nada

ThaiKeras Lighting NADA Github:

https://github.com/ratthachat/stylegan-nada

-----

จริงๆ แล้ว StyleGAN ยังสามารถประยุกต์ทำอะไรได้อีกเยอะมากๆ เช่น Image-editing, Super Resolution,

เปลี่ยนภาพเก่าเป็นภาพใหม่ (time-machine) ซึ่งสามารถดู survey ปี 2022 ได้อย่างละเอียดจากทีม Tel Aviv ของอิสราเอล

ที่เป็นทีมที่ทำงานด้าน StyleGAN เยอะมากๆ ที่สุดทีมนึงของโลกครับ

https://arxiv.org/abs/2202.14020

RE: รวมงาน AI ระดับ “มหัศจรรย์”

The Neural Engineer — Fri, 11 Mar 2022 02:56:45 +0000

*** UPDATE 11 มีค 2022 อีกหลาย demo เหนือชั้นที่นี่ครับ***

https://replicate.com/explore

RE: รวมงาน AI ระดับ “มหัศจรรย์”

The Neural Engineer — Wed, 02 Mar 2022 12:45:42 +0000

ทดลองเล่น Glide และ Models เจ๋งๆ อื่นๆ ใน Huggingface Space กันครับ

เชื่อว่าหลายคนคงรู้สึกเหมือนกันว่างานวิจัย AI / DeepLearning ที่ดูเทพๆ นี่มันเกิดขึ้นเร็วมาก ตามไม่ทัน ไม่รู้งานไหนทำอะไรได้บ้าง

วิธีหนึ่งก็คือการลองเล่นงานเหล่านี้เลยครับ! อย่างไรก็ดีบางครั้งการทดลองเล่นงานวิจัยใหม่ๆ ไม่สะดวกนัก บางงานวิจัยใจดีมี Colab มาให้ลองเล่น ก็ยังต้องทำความเข้าใจ (นิดๆ)

จึงเป็นที่มาของ App Hosting บน Huggingface Space ที่ไว้โชว์เคสงานเจ๋งๆ ครับ

ปัจจุบัน Huggingface ก้าวไปอีกระดับด้วย Free Hosting สำหรับ AI Model (เช่นเดียวกับ Streamlit ที่เคยอธิบายในบทความนี้ครับ https://bit.ly/thaikeras_streamlit) โดยแอพที่ host บน hugginface จะเขียนด้วย streamlit หรือ gradio ก็ได้ โดยไม่นานนี้ Huggingface เพิ่ง take over gradio ซึ่งเป็นคู่แข่ง streamlit มาเรียบร้อย

***

ตัวอย่าง generative model ที่ลองเล่นสนุกๆ ได้อย่างน่าตื่นเต้นครับ

OpenAI Glide : วาดรูปในจินตนการไร้ขีดจำกัด จาก free texts

https://huggingface.co/spaces/valhalla/glide-text2im

(ดู glide ที่บทความนี้ครับ https://web.facebook.com/thaikeras/posts/953295825585098 )

***

SwinIR : Image SuperResolution ด้วย Swin Transformers

นำภาพไม่ชัดมาทำให้คมชัดขึ้นอย่างมหัศจรรย์ (จะเอาภาพจาก Glide ด้านบนมาก็ได้ครับ)

https://huggingface.co/spaces/akhaliq/SwinIR

จำแนกรูป 22,000 ประเภทด้วย SwinTransformers

https://huggingface.co/spaces/akhaliq/Swin-Transformer

***

BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation (Salesforce Research) ทำ Image Captioning หรือ Question-Answering จากรูปใดๆ

https://huggingface.co/spaces/Salesforce/BLIP

***

JoJoGAN: เปลี่ยนรูปภาพหลากสไตล์การ์ตูนในพริบตา

https://huggingface.co/spaces/akhaliq/JoJoGAN

นี่แค่ตัวอย่างเล็กๆ น้อยๆ ยังมี apps น่าเล่นอีกมากใน Huggingface Space โดยเฉพาะของ Ahsen Khaliq ทำ apps ใหม่ล่าสุดไว้เกือบร้อยตัวอย่างครับ

https://huggingface.co/akhaliq

RE: รวมงาน AI ระดับ “มหัศจรรย์”

The Neural Engineer — Sat, 08 Jan 2022 10:05:17 +0000

GLIDE โมเดลที่ดีที่สุดในปัจจุบันที่สามารถวาดรูปจาก text ที่ระบุได้ ด้วยคุณภาพระดับใกล้เคียงภาพถ่าย

ของขวัญ Xmax จาก OpenAI และสรุปดีๆ จาก Thitirat TheSensei ครับ

ส่วนตัวคิดว่านี่คือโมเดลที่ประทับใจที่สุดในปี 2021 เลยครับ

สามารถทดลองเล่น GLIDE เวอร์ชั่นเล็ก + filtered dataset (ลบข้อมูลภาพที่อาจจะมีข้อมูลส่วนบุคคล รวมทั้ง toxic images ออกไป) ได้ที่นี่ครับ

Colab Text2Image (เวอร์ชั่น Classifier-free): https://colab.research.google.com/.../noteb.../text2im.ipynb

Colab InPainting (ดัดแปลง วาดภาพใหม่เฉพาะส่วน)

https://colab.research.google.com/.../noteb.../inpaint.ipynb

Colab ClipGuided (Text2Image version ใช้ CLIP)

https://colab.research.google.com/.../clip_guided.ipynb

-----

GitHub: https://github.com/openai/glide-text2im

บทความจาก Thitirat Sensei
https://web.facebook.com/thitirat.thelecturer/posts/3072426599644244

------

CLIP เป็นอีกหนึ่งโมเดลจาก OpenAI ที่สารพัดประโยชน์มากใช้ในการจับคู่ Image-Text ที่เข้ากันที่สุด และสามารถประยุกต์ใช้งานได้หลากหลาย (อาทิเช่น GLIDE ข้างบน)

ดู CLIP ที่โพสต์ของ Thitirat TheSensei https://web.facebook.com/thitirat.thelecturer/posts/2804774776409429

Crop-CLIP คืออีกหนึ่งไอเดียง่ายแต่เจ๋ง ที่รวม YoloV5+CLIP เข้าด้วยกัน โดยให้ค้นหา object ในรูป (cropping) ที่เราสนใจผ่าน text อะไรก็ได้

ไอเดียง่ายๆ ของ Crop-CLIP

- ใช้ YoloV5 ค้นหาทุก objects ในรูป

- นำ objects ทั้งหมดที่ค้นเจอ ไปเข้า CLIP

- นำ text ที่จะค้นหาไปเข้า CLIP เช่นกัน

- ใช้ CLIP เพื่อ return รูปของ object ที่ตรงกับ text มากที่สุด

ทดลองเล่น Web app

https://huggingface.co/spaces/Vijish/Crop-CLIP

Colab

https://colab.research.google.com/.../master/Crop_CLIP.ipynb

Github

https://github.com/vijishmadhavan/Crop-CLIP

RE: รวมงาน AI ระดับ “มหัศจรรย์”

The Neural Engineer — Fri, 12 Nov 2021 23:59:00 +0000

นักวิจัยจากจีน และ รัสเซียทำ DallE สำเร็จแล้วครับ!!

หลังจากที่ OpenAI ได้เผยแพร่ DallE หรืองานสร้าง Image จาก Text มาเป็นเวลาราวๆ 1 ปี แต่ก็ไม่ยอมเผยแพร่ หรือให้ลองเล่นสักที

ล่าสุดทีมจากจีน (CogView) และทีมจากรัสเซีย (ruDallE) ได้แข่งกันพัฒนาและได้ทำ DallE ที่คุณภาพสูงมากๆๆ ให้ทุกคนได้ลองเล่นกันฟรีๆ ครับ

ดูรูปเพิ่มเติมใน comments หรือลิงก์ข้างล่างครับ

จีน - CogView

Github: https://github.com/THUDM/CogView

Demo: https://agc.platform.baai.ac.cn/CogView/index.html

Colab: https://colab.research.google.com/drive/1ahsm15makBon5DZMy64a76TTWePBBp5l

รัสเซีย - ruDallE

Github: https://github.com/sberbank-ai/ru-dalle

Demo: https://huggingface.co/spaces/anton-l/rudall-e

Blog: https://habr.com/ru/company/sberbank/blog/586926/

Colab: https://colab.research.google.com/drive/1AoolDYePUpPkRCKIu0cP9zV7lX5QGD3Z?usp=sharing

เวอร์ชัน demo ของทั้งคู่ ไม่ใช่โมเดลที่ดีที่สุด แต่ภาพที่วาดออกมาถือว่ายอดเยี่ยมมากๆ ครับ

ตัวอย่างจากทีมจีน

https://i.ibb.co/ZmCgg4R/chDalle.jpg

ตัวอย่างจากทีมรัสเซีย

https://i.ibb.co/j4WD35T/ruDalle.jpg

RE: รวมงาน AI ระดับ “มหัศจรรย์”

The Neural Engineer — Wed, 07 Apr 2021 08:32:34 +0000

OpenAI Dall-E

https://openai.com/blog/dall-e/

Update Nov 2021

https://ml.berkeley.edu/blog/posts/clip-art/

RE: รวมงาน AI ระดับ “มหัศจรรย์”

The Neural Engineer — Thu, 07 May 2020 12:21:44 +0000

OpenAI JukeBox เรียนรู้การแต่งเพลง ทั้งทำนองและเนื้อร้องจากศิลปินทั่วโลก

https://openai.com/blog/jukebox/

ตัวอย่างเพลงที่แต่งกว่าพันเพลง

https://jukebox.openai.com/

ข่าวไทย

https://www.beartai.com/news/itnews/429976