Skip to content
২০২২ সালের ২২ আগস্ট প্রকাশিত স্টেবল ডিফিউশন প্রায় ৫০টি নয়েজ-সরানোর ধাপে এলোমেলো নয়েজ থেকে ৫১২ বাই ৫১২ ছবি বানায়, যে ধারণা প্রথম ছাপা হয়েছিল পদার্থবিদ্যা-অনুপ্রাণিত ২০১৫ সালের একটি গবেষণাপত্রে
এআই ও প্রযুক্তি

২০২২ সালের ২২ আগস্ট প্রকাশিত স্টেবল ডিফিউশন প্রায় ৫০টি নয়েজ-সরানোর ধাপে এলোমেলো নয়েজ থেকে ৫১২ বাই ৫১২ ছবি বানায়, যে ধারণা প্রথম ছাপা হয়েছিল পদার্থবিদ্যা-অনুপ্রাণিত ২০১৫ সালের একটি গবেষণাপত্রে

অলঙ্করণ: tuput

বাংলা

২০১৫ থেকে ২০২২ সালের মধ্যে ছয়টি গবেষণাপত্র একটি ধারণাকে খেলনা তথ্য থেকে টেক্সট প্রম্পট পর্যন্ত নিয়ে গেছে: ধীরে ধীরে নয়েজ যোগ করার প্রক্রিয়াটিকে উল্টে দিতে শেখা। স্টেবিলিটি এআইয়ের প্রকাশ ফলটিকে এনেছে ঘোষিত ৬.৯ জিবি মেমরির একটি গ্রাফিক্স কার্ডে, আর হাগিং ফেসের নির্দেশিকা ৫০ ধাপের প্রক্রিয়াটি বর্ণনা করে।

· · 9 মিনিটের পাঠ

স্টেবিলিটি এআই ২০২২ সালের ২২ আগস্ট স্টেবল ডিফিউশনের জনসাধারণের জন্য প্রকাশের ঘোষণা দেয় এবং ওয়েট, মডেল কার্ড ও কোড প্রকাশ করে। কোম্পানি বলেছিল চূড়ান্ত মেমরি ব্যবহার হওয়া উচিত ৬.৯ জিবি গ্রাফিক্স মেমরি। প্রকাশে কাজ করা হাগিং ফেস একই দিনে একটি নির্দেশিকা প্রকাশ করে। ব্যবহারকারী প্রম্পট লিখলে কী ঘটে তা তাতে বর্ণনা করা আছে: মডেল শুরু করে একটি ছোট সংখ্যার ছকে এলোমেলো নয়েজ থেকে, প্রম্পট পড়তে পড়তে তা থেকে প্রায় ৫০ বার নয়েজ সরায়, আর ফলটিকে ডিকোড করে ৫১২ বাই ৫১২ পিক্সেলের একটি ছবিতে।

ওই ৫০ ধাপের পেছনের পদ্ধতিটি দেখা দিয়েছিল ২০১৫ সালের মার্চের একটি গবেষণাপত্রে, যা পদার্থবিদ্যা থেকে ধার নিয়েছিল। এই লেখা তাকে অনুসরণ করে ছয়টি গবেষণাপত্র আর প্রকাশটির মধ্য দিয়ে। নিচের প্রতিটি সংখ্যা লেখকদের নিজেদের, তাঁদের নিজের হার্ডওয়্যার ও ডেটাসেটে মাপা। গবেষণাপত্রগুলো আলাদা ডেটাসেট ও সেটিংস ব্যবহার করে, তাই এদের মধ্যে কোনো স্কোরের তুলনা করা হয়নি।

একটি ছবিকে ধীরে ধীরে নষ্ট করো, তারপর তা ফেরাতে শেখো

জাশা সোল-ডিকস্টাইন, এরিক ওয়াইস, নিরু মহেশ্বরনাথন ও সুরিয়া গাঙ্গুলি তাঁদের গবেষণাপত্র arXiv-এ জমা দেন ২০১৫ সালের ১২ মার্চ। তার শিরোনামে নাম আছে নন-ইকুইলিব্রিয়াম থার্মোডাইনামিক্সের, অর্থাৎ যেসব ব্যবস্থা স্থির না হয়ে বদলাচ্ছে তাদের পদার্থবিদ্যা। সারসংক্ষেপ বলে, অ-সাম্য পরিসংখ্যান পদার্থবিদ্যা থেকে অনুপ্রাণিত মূল ধারণাটি হলো ফরওয়ার্ড ডিফিউশন প্রক্রিয়ায় তথ্যের গঠনকে ধীরে ধীরে নষ্ট করা আর তারপর তা ফিরিয়ে আনা একটি উল্টো প্রক্রিয়া শেখা।

হাগিং ফেসের নির্দেশিকার চলতি উদাহরণটি ধরা যাক, ঘোড়ায় চড়া এক মহাকাশচারীর ছবি। ছবিটিতে এক চিমটি এলোমেলো নয়েজ যোগ করো, তারপর আরেক চিমটি, আর চালিয়ে যাও যতক্ষণ না স্ট্যাটিক ছাড়া কিছু থাকে। ফরওয়ার্ড দিকটির কিছু শেখার দরকার নেই। একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দেওয়া হয় উল্টো কাজে: একটি ছবির সামান্য বেশি নয়েজওয়ালা সংস্করণ দেওয়া হলে সামান্য পরিষ্কার একটি বানানো। নতুন কিছু বানাতে শুদ্ধ স্ট্যাটিক থেকে শুরু করে নেটওয়ার্কটি বারবার প্রয়োগ করা হয়।

২০১৫ সালের লেখকরা হাজার হাজার স্তর বা সময়-ধাপসহ মডেল প্রশিক্ষণ দিয়েছিলেন। তাঁরা সেগুলো পরীক্ষা করেন একটি দ্বিমাত্রিক সুইস রোলে (বিন্দুর সর্পিল আকারের মেঘ), একটি বাইনারি ক্রমে, এমনিস্টের হাতে লেখা অঙ্কে, আর সিফার-১০, বার্ক ও ডেড-লিভস ডেটাসেটের ছোট প্রাকৃতিক ছবিতে।

একটু একটু নয়েজ সরাও, এক হাজার বার

ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়, বার্কলের জোনাথন হো, অজয় জৈন ও পিটার অ্যাবিল তাঁদের গবেষণাপত্র পোস্ট করেন ২০২০ সালের ১৯ জুন। তাঁরা লেখেন, তাঁদের জানামতে কেউ তখনও দেখাননি যে ডিফিউশন মডেল উচ্চমানের নমুনা তৈরি করতে পারে, আর তাঁদের ফল তা দেখায়। সিফার-১০-এর ছোট ছবির সংগ্রহে, কোনো লেবেল ছাড়া তৈরি, তাঁরা ৯.৪৬ ইনসেপশন স্কোর ও ৩.১৭ ফ্রেশে ইনসেপশন ডিস্ট্যান্স (এফআইডি, যে স্কোরে কম মানে বোঝায় তৈরি ছবি পরিসংখ্যানগতভাবে আসলের কাছাকাছি) জানান, যাকে তাঁরা তৎকালীন অত্যাধুনিক বলেন। ২৫৬ বাই ২৫৬ এলএসইউএনে, শোবার ঘর, গির্জা ও বিড়ালের ছবির একটি সংগ্রহে, তাঁরা প্রোগ্রেসিভজিএএন নামের একটি আগের জেনারেটরের মতো নমুনার মান জানান।

রেসিপিটি ছোট। গবেষণাপত্রে ১,০০০ ধাপ ব্যবহার করা হয়েছে আর প্রতিটি ধাপে নয়েজ যোগ হয় ০.০০০১ থেকে ০.০২ পর্যন্ত সমান বৃদ্ধিতে বাড়তে থাকা পরিমাণে। প্রশিক্ষণে পদ্ধতিটি একটি ছবি বাছে, একটি এলোমেলো ধাপ বাছে, তার সঙ্গে মেলে এমন পরিমাণ নয়েজ যোগ করে আর নেটওয়ার্ককে বলে যোগ-করা নয়েজটি অনুমান করতে। স্যাম্পলিং শুরু হয় শুদ্ধ নয়েজ থেকে। ১,০০০ ধাপের প্রতিটিতে নেটওয়ার্ক নয়েজ অনুমান করে, স্যাম্পলার তা বিয়োগ করে আর, শেষ ধাপ ছাড়া, আবার এলোমেলোতার একটি ছোট নতুন মাত্রা যোগ করে।

নেটওয়ার্কটি একটি ইউ-নেট, এমন একটি ছবির মডেল যা ছবিকে একটি মোটা সারসংক্ষেপে ছোট করে তারপর তা আবার বড় করে, ১৬ বাই ১৬ রেজোলিউশনে সেলফ-অ্যাটেনশন স্তরসহ। ধাপের সংখ্যাটি ঢোকানো হয় ট্রান্সফর্মার গবেষণাপত্রের সাইনুসয়ডাল পজিশন এমবেডিং দিয়ে, যে নকশা একটি বৃহৎ ভাষা মডেল কীভাবে প্রশিক্ষিত হয় লেখায় ব্যাখ্যা করা ভাষা মডেলগুলোর পেছনেও আছে। সিফার-১০ মডেলে প্যারামিটার, নেটওয়ার্কের ভেতরের সমন্বয়যোগ্য সংখ্যা, আছে ৩৫.৭ মিলিয়ন, আর তা সম্পূর্ণ প্রশিক্ষিত হয়েছিল একটি টিপিইউ ভি৩-৮-এ ১০.৬ ঘণ্টায়, গুগলের একটি অ্যাক্সিলারেটর যাকে লেখকরা আটটি ভি১০০ জিপিইউয়ের সঙ্গে তুলনা করেন। ২৫৬ বাই ২৫৬-এ ১২৮টি ছবির একটি ব্যাচ বানাতে লেগেছিল ৩০০ সেকেন্ড।

দ্রুততর স্যাম্পলিং, আর একই ধারণা সমীকরণ হিসেবে

এক হাজার ক্রমিক পাস ধীর। জিয়ামিং সং, চেনলিন মেং ও স্টেফানো এরমন ২০২০ সালের ৬ অক্টোবরের একটি গবেষণাপত্রে তা মেপেছেন: একটি এনভিডিয়া ২০৮০ টিআই গ্রাফিক্স কার্ডে একটি ডিডিপিএম থেকে ৩২ বাই ৩২ পিক্সেলের ৫০,০০০টি ছবি স্যাম্পল করতে প্রায় ২০ ঘণ্টা, আর একটি জিএএন, যে পুরোনো ধরনের জেনারেটর এক পাসে ছবি বানায়, তার এক মিনিটেরও কম। ২৫৬ বাই ২৫৬ ছবির জন্য তাঁরা সংখ্যাটি দেন প্রায় ১,০০০ ঘণ্টা।

তাঁদের সমাধান, ডিনয়জিং ডিফিউশন ইমপ্লিসিট মডেল বা ডিডিআইএম, প্রশিক্ষণ ঠিক আগের মতোই রাখে আর বদলায় শুধু নমুনা কীভাবে তোলা হয়। লেখকরা ২০ থেকে ১০০ ধাপে ১,০০০ ধাপের মডেলের তুলনীয় নমুনা জানান, অর্থাৎ ১০ থেকে ৫০ গুণ দ্রুত, আর উল্লেখ করেন প্রতি নমুনার সময় ধাপের সংখ্যার সঙ্গে সরলরেখায় বাড়ে।

সাত সপ্তাহ পরে, ২০২০ সালের ২৬ নভেম্বর, ইয়াং সং ও পাঁচজন সহ-লেখক, যাঁদের মধ্যে ২০১৫ সালের গবেষণাপত্রের সোল-ডিকস্টাইনও আছেন, প্রক্রিয়াটিকে নতুন করে লেখেন একটি স্টোকাস্টিক ডিফারেনশিয়াল ইকুয়েশন (এমন সমীকরণ যার ভেতরে এলোমেলো গতি বসানো) হিসেবে, যা চলে তথ্য থেকে নয়েজের দিকে, আর একটি মিলে-যাওয়া উল্টো সমীকরণ চলে নয়েজ থেকে তথ্যে ফিরে। তাঁদের কথায়: “তথ্য থেকে নয়েজ তৈরি করা সহজ; নয়েজ থেকে তথ্য তৈরি করাই জেনারেটিভ মডেলিং।” তাঁরা লেখেন, কাঠামোটি আগের স্কোর-ভিত্তিক ও ডিফিউশন পদ্ধতিগুলোকে ধারণ করে, আর জানান প্রথমবার একটি স্কোর-ভিত্তিক মডেল থেকে ১০২৪ বাই ১০২৪ ছবি তৈরি করা হয়েছে।

ছবিকে কথা মেনে চলানো

একটি ছবি-জেনারেটরকে প্রম্পট অনুসরণ করতে হয়, আর ডিফিউশনের তার একটি উপায় দরকার ছিল। আগের পদ্ধতি, ক্লাসিফায়ার গাইডেন্স, স্যাম্পলিংকে চালায় একটি আলাদা ছবি ক্লাসিফায়ার দিয়ে। জোনাথন হো ও টিম সালিমান্স, ২০২২ সালের ২৬ জুলাই পোস্ট করা একটি গবেষণাপত্রে (একটি ছোট সংস্করণ এসেছিল ২০২১ সালের নিউরিপস কর্মশালায়), দেখিয়েছেন তা ছাড়াই করা যায়।

ক্লাসিফায়ার-ফ্রি গাইডেন্সে একটি একক নেটওয়ার্ক একসঙ্গে দুটি কাজে প্রশিক্ষিত হয়। প্রশিক্ষণের উদাহরণের একটি অংশে লেবেল বা প্রম্পট এলোমেলোভাবে একটি ফাঁকা স্থানধারক দিয়ে বদলানো হয়, ফলে নেটওয়ার্ক তা-সহ ও তা-ছাড়া দুভাবেই নয়েজ সরাতে শেখে। স্যাম্পলিংয়ের সময় দুটি অনুমান মেলানো হয়, আর একটি ওজন w ঠিক করে ফল কতটা প্রম্পটের দিকে ঝুঁকবে। ৬৪ বাই ৬৪ ইমেজনেটে লেখকরা শর্ত ফেলে দেওয়ার সম্ভাবনা ০.১, ০.২ ও ০.৫ দিয়ে চেষ্টা করেন, আর দেখেন ০.৫ বাকি দুটির চেয়ে ধারাবাহিকভাবে খারাপ। ওজন বাড়ালে প্রতিটি ছবির মান বাড়ে আর ছবিগুলোর মধ্যে বৈচিত্র্য কমে।

পদ্ধতিটির খরচ সময়ে। প্রতিটি স্যাম্পলিং ধাপে নেটওয়ার্কের ভেতর দিয়ে দুবার যেতে হয়, একবার প্রম্পটসহ আর একবার প্রম্পট ছাড়া, যাকে লেখকরা একটি সম্ভাব্য অসুবিধা বলে চিহ্নিত করেন।

স্টেবল ডিফিউশন এই পদ্ধতি ব্যবহার করে। v1-4 মডেল কার্ড বলে, তার প্রশিক্ষণের শেষ ধাপে টেক্সট শর্ত ১০ শতাংশ সময় বাদ দেওয়া হয়েছিল, “ক্লাসিফায়ার-ফ্রি গাইডেন্স স্যাম্পলিং উন্নত করতে”। হাগিং ফেসের নির্দেশিকা ব্যবহারকারীর দিকের নিয়ন্ত্রণটিকে দেয় guidance_scale নামে, ডিফল্ট ৭.৫, আর ৭ থেকে ৮.৫ মানকে সাধারণত ভালো বলে বর্ণনা করে। সে সতর্ক করে, খুব বড় মানে ছবি ভালো দেখাতে পারে কিন্তু বৈচিত্র্য কম হয়।

একটি ছোট ক্যানভাসে কাজ করা

পিক্সেল-স্পেসে ডিফিউশন ব্যয়বহুল। রবিন রোমবাখ, আন্দ্রেয়াস ব্লাটম্যান, ডমিনিক লোরেনৎস, প্যাট্রিক এসের ও ব্যোর্ন ওমের তাঁদের ২০২১ সালের ২০ ডিসেম্বরের গবেষণাপত্র শুরু করেন এই কথা বলে যে সবচেয়ে শক্তিশালী ডিফিউশন মডেলগুলো প্রশিক্ষণে প্রায়ই শত শত জিপিইউ-দিন নেয়। তাঁরা একটি আগের মডেলের জন্য ১৫০ থেকে ১,০০০ ভি১০০-দিন উল্লেখ করেন, আর এমন একটি মডেল থেকে ৫০,০০০ নমুনা বানাতে একটি এ১০০-এ প্রায় পাঁচ দিন।

তাঁদের প্রতিকার ডিফিউশনকে চালানো একটি ল্যাটেন্ট স্পেসে, মানে ছবির একটি সংকুচিত সংখ্যাগত সারসংক্ষেপে। প্রথমে প্রশিক্ষণ দেওয়া হয় একটি আলাদা অটোএনকোডার, যে নেটওয়ার্ক-জোড়া একটি ছবি ছোট করে আবার বড় করে। ডিফিউশন তারপর ঘটে ছোট সারসংক্ষেপে, আর ডিকোডার সম্পূর্ণ সারসংক্ষেপকে ফের পিক্সেলে ফিরিয়ে দেয়। লেখকরা ইউ-নেটে ক্রস-অ্যাটেনশন স্তরও যোগ করেন যাতে টেক্সট বা অন্য ইনপুট তাকে চালাতে পারে।

একটি এনভিডিয়া এ১০০-এ ইমেজনেটে ২০ লক্ষ ধাপের প্রশিক্ষণে, একই সংখ্যক প্যারামিটারসহ, তাঁরা পিক্সেল স্পেসে ডিফিউশন আর সংকোচন-গুণক ৮-এ ডিফিউশনের মধ্যে ৩৮ এফআইডি পয়েন্টের ব্যবধান পান। গবেষণাপত্রটি ছোট গুণকের ফলাফলের কারণ বলে অদৃশ্য খুঁটিনাটির সংকোচনের বেশির ভাগ কাজ ডিফিউশন মডেলের নিজের ওপর ছেড়ে দেওয়াকে।

স্টেবল ডিফিউশন ব্যবহার করে ৮ গুণক। মডেল কার্ড বলে, সে উচ্চতা H ও প্রস্থ W-এর তিনটি রঙের চ্যানেলসহ একটি ছবিকে চারটি চ্যানেলসহ H/8 বাই W/8-এর একটি ল্যাটেন্টে নিয়ে যায়। ৫১২ বাই ৫১২ ছবির জন্য সেটি ৬৪ বাই ৬৪ ছক, যাকে হাগিং ফেসের নির্দেশিকা বলে ৮ x ৮ = ৬৪ স্থানিক সংকোচন অনুপাত। সোজা ভাগ করলে, ছবির ৭,৮৬,৪৩২টি সংখ্যা ল্যাটেন্টে হয় ১৬,৩৮৪টি সংখ্যা, প্রতিটি ধাপে নেটওয়ার্ক যা সামলায় তাতে ৪৮ গুণ কমে যাওয়া।

প্রম্পটকে সংখ্যায় বদলায় CLIP-এর টেক্সট এনকোডার (ViT-L/14 সংস্করণ), যা, মডেল কার্ড বলে, স্থির ও আগে থেকে প্রশিক্ষিত, তাই বাকিটার সঙ্গে প্রশিক্ষিত হয় না। হাগিং ফেস আউটপুটকে বর্ণনা করে ৭৭ বাই ৭৬৮ সংখ্যার একটি ব্লক হিসেবে, যা ইউ-নেট ক্রস-অ্যাটেনশনের মাধ্যমে পড়ে।

২০২২ সালের ২২ আগস্ট যা প্রকাশ পেল

স্টেবিলিটি এআইয়ের ঘোষণা কৃতিত্ব দেয় হাগিং ফেসের আইনি, নৈতিকতা ও প্রযুক্তি দলগুলোকে আর ক্লাউড সরবরাহকারী কোরউইভের প্রকৌশলীদের। মডেলটি এসেছিল ক্রিয়েটিভ এমএল ওপেনআরএআইল-এম লাইসেন্সের অধীনে, যাকে কোম্পানি বর্ণনা করে বাণিজ্যিক ও অ-বাণিজ্যিক ব্যবহারের অনুমতি দেওয়া, ব্যবহারকারীকে নৈতিক ও আইনি ব্যবহারের দায়িত্ব দেওয়া আর যেকোনো বিতরণের সঙ্গে লাইসেন্স রাখা আবশ্যিক করা হিসেবে। অবাঞ্ছিত আউটপুট সরাতে ডিফল্টভাবে একটি সেফটি ক্লাসিফায়ার ছিল। সুপারিশ করা ওয়েট ছিল v1.4, আর কোম্পানি জানিয়েছিল এনভিডিয়া চিপ সুপারিশ করা হচ্ছে, এএমডি এবং অ্যাপল এম১ ও এম২ চিপের সমর্থন আসবে। কোম্পানির প্রকাশিত পাতায় তারিখ “Aug 22” লেখা, বছর ছাড়া, আর একই প্রকাশের হাগিং ফেস নির্দেশিকায় তারিখ ২২ আগস্ট ২০২২।

মডেল কার্ড ডেভেলপার হিসেবে নাম করে রবিন রোমবাখ ও প্যাট্রিক এসেরের, আর বলে স্টেবল ডিফিউশন v1 প্রশিক্ষিত হয়েছিল LAION-2B(en) ও তার উপসেটে। ২০২২ সালের ১৬ অক্টোবরের LAION-5B গবেষণাপত্র বর্ণনা করে CLIP দিয়ে ছাঁকা ৫.৮৫ বিলিয়ন ছবি-টেক্সট জোড়া, যার ২.৩২ বিলিয়নে ইংরেজি টেক্সট। হার্ডওয়্যারের জন্য কার্ড তালিকা দেয় ৩২ x ৮টি এ১০০ জিপিইউ, আর নির্গমনের অনুমানের জন্য আমাজন ওয়েব সার্ভিসেসের পূর্ব যুক্তরাষ্ট্রের একটি অঞ্চলে এ১০০ পিসিআইই ৪০জিবি কার্ডে ১,৫০,০০০ ঘণ্টা, যাকে সে ধরে ১১,২৫০ কেজি কার্বন ডাই-অক্সাইড সমতুল্য। এগুলো কার্ডের নিজের অনুমান।

ধাপগুলো বাস্তবে গুরুত্বপূর্ণ। হাগিং ফেসের নির্দেশিকায় ডিফল্ট ৫০ নয়েজ-সরানোর ধাপ, আর ১৫ ধাপের একটি চালনায় সামগ্রিক কাঠামো একই থাকলেও মহাকাশচারীর পোশাকে আর ঘোড়ার আকৃতিতে সমস্যা ছিল।

মডেল কার্ড যা পারে না বলে

হাগিং ফেসের নির্দেশিকা বলে পরের সংস্করণগুলো, ১.৫, ২ ও ২.১, ন্যূনতম কোড বদলে চলে। এই লেখা শুধু v1-4 আর ২০২২ পর্যন্ত গবেষণাপত্রগুলো বর্ণনা করে। রোমবাখ ও এসেরের লেখা v1-4 কার্ড এই সংস্করণের সীমাবদ্ধতা নিয়ে সুনির্দিষ্ট। মডেলটি নিখুঁত ফটোরিয়ালিজম অর্জন করে না আর পাঠযোগ্য লেখা আঁকতে পারে না। “একটি নীল গোলকের ওপর একটি লাল ঘনক”-এর মতো সংযোজনমূলক কাজে সে ভালো করে না, আর মুখ ও মানুষ ঠিকভাবে তৈরি নাও হতে পারে।

কার্ড বলে মডেলটি মূলত ইংরেজি ক্যাপশনে প্রশিক্ষিত আর অন্য ভাষায় কম ভালো কাজ করে, এবং অটোএনকোডার ক্ষতিযুক্ত। সে আরও জানায়, ডেটার ডুপ্লিকেট সরানো হয়নি, তাই প্রশিক্ষণ সেটে বহুবার আসা কিছু ছবি মুখস্থ হয়ে গেছে, আর যাচাইয়ের জন্য একটি জনসাধারণের সার্চ টুলের কথা বলে। প্রশিক্ষণ সেটে, সে যোগ করে, প্রাপ্তবয়স্কদের উপাদান আছে, আর কার্ড ওই ডেটাসেটকে বলে অতিরিক্ত নিরাপত্তা ব্যবস্থা ছাড়া পণ্যে ব্যবহারের অযোগ্য। এমন ডেটায় প্রশিক্ষণ আইনসম্মত কি না তা আদালতে ঠিক হচ্ছে, যেমন এআই প্রশিক্ষণ নিয়ে ২০২৬ সালের তিনটি রায় দেখায়। কার্ড অপব্যবহারের তালিকায় রেখেছে অন্যের ছদ্মবেশ ও ভুয়া তথ্য; নির্বাচনে এআই-জালিয়াতির নিয়ম এফসিসি, ইইউ ও ভারতের এই পর্যালোচনায় আছে।

২০২০ সালের স্যাম্পলার তার তৈরি প্রতিটি ছবির জন্য ১,০০০ ধাপ ব্যবহার করত। হাগিং ফেসের ২০২২ সালের ২২ আগস্টের নির্দেশিকা একটি উচ্চমানের ৫১২ বাই ৫১২ ছবির জন্য ৫০ ধাপকে সাধারণত যথেষ্ট বলে।

Share
Copied!

সূত্র ও আরও পড়ার জন্য

  1. Sohl-Dickstein, Weiss, Maheswaranathan and Ganguli: Deep Unsupervised Learning using Nonequilibrium Thermodynamics (arXiv:1503.03585, 12 March 2015)
  2. Ho, Jain and Abbeel: Denoising Diffusion Probabilistic Models (arXiv:2006.11239, 19 June 2020; NeurIPS 2020)
  3. Song, Meng and Ermon: Denoising Diffusion Implicit Models (arXiv:2010.02502, 6 October 2020; ICLR 2021)
  4. Song, Sohl-Dickstein, Kingma, Kumar, Ermon and Poole: Score-Based Generative Modeling through Stochastic Differential Equations (arXiv:2011.13456, 26 November 2020; ICLR 2021)
  5. Ho and Salimans: Classifier-Free Diffusion Guidance (arXiv:2207.12598, 26 July 2022)
  6. Rombach, Blattmann, Lorenz, Esser and Ommer: High-Resolution Image Synthesis with Latent Diffusion Models (arXiv:2112.10752, 20 December 2021; CVPR 2022)
  7. Stability AI: Stable Diffusion Public Release (22 August)
  8. CompVis and Stability AI: Stable Diffusion v1-4 model card (Hugging Face)
  9. Patil, Cuenca, Lambert and von Platen, Hugging Face: Stable Diffusion with Diffusers (22 August 2022)
  10. Schuhmann et al.: LAION-5B, an open large-scale dataset for training next generation image-text models (arXiv:2210.08402, 16 October 2022)

এই লেখাটি AI সরঞ্জামের সহায়তায় গবেষণা ও রচনা করা হয়েছে এবং নির্ভুলতার জন্য সম্পাদনা করা হয়েছে। এটি কেবল সাধারণ তথ্য ও আলোচনার জন্য, পেশাদার পরামর্শ নয়। আমাদের সম্পাদকীয় মান ও দাবিত্যাগ দেখুন। কোনো ভুল চোখে পড়ল? আমাদের জানান।

#diffusion models#stable diffusion#generative ai#image generation#latent diffusion#classifier-free guidance#ddpm#stability ai

ভালো লাগল? পরেরটিও পড়ুন।

একবারে একটি ভালো লেখা, সরাসরি আপনার ইনবক্সে। কোনো স্প্যাম নয়, যখন খুশি বন্ধ করতে পারেন।

একই বিভাগে আরও: এআই ও প্রযুক্তি
পারসিভারেন্স ২০২৫ সালের ৮ ও ১০ ডিসেম্বর জেজেরো গহ্বরে ৪৫৬ মিটার চলেছে এমন ওয়েপয়েন্ট ধরে, যা একটি এআই মডেল খসড়া করেছিল আর নাসার প্রকৌশলীরা যাচাই করেছিলেন
পৃথিবী থেকে গড়ে ২২ কোটি ৫০ লক্ষ কিলোমিটার দূরের একটি রোভার চলেছে এমন এক পথ ধরে, যা কক্ষপথের ছবি পড়া একটি ভাষা মডেল এঁকেছিল, আর রোভার দলের সিমুলেটর আগে তাতে ছাড়পত্র দিয়েছে। কে কী করেছে, কার কথায়, আর সংখ্যাগুলো কী দেখায় এবং কী দেখায় না, এখানে তা আছে।
লক্ষ লক্ষ বেতন-নথি ঘেঁটে স্ট্যানফোর্ডের একটি গবেষণা পেয়েছে, এআই-এক্সপোজড চাকরিতে তরুণ কর্মীরা যেখানে থাকার কথা তার চেয়ে ১৯ শতাংশ নিচে, আর লেখকেরা বলছেন এতে প্রমাণ হয় না এআই-ই এর কারণ
কয়েক মিলিয়ন ADP বেতন-নথি জুড়ে দেখা যাচ্ছে, এআই যে কাজ সবচেয়ে ভালো পারে সেসব চাকরিতে তরুণ কর্মীরা সমবয়সীদের চেয়ে পিছিয়ে পড়ছে। এআই-ই তার কারণ কি না, গবেষণার লেখকেরা সেই একটি কথা বলতেই অস্বীকার করেন।
৯৯তম অস্কারের জন্য অ্যাকাডেমির নিয়মে চিত্রনাট্য হতে হবে মানুষের লেখা আর অভিনয়ের ভূমিকা মানুষের করা, আর এআই সরঞ্জাম মনোনয়নে সাহায্যও করে না, ক্ষতিও করে না
নিয়মবইয়ের পাঠ অনুচ্ছেদ ধরে ধরে, যে ২০২৫ সালের এপ্রিলের ভাষার ওপর এটি দাঁড়িয়ে তার সঙ্গে, অ্যাকাডেমির নিজের মন্তব্য, আর এফেক্টস স্টুডিও ও অ্যাকাডেমির সায়-টেক পুরস্কার যে মেশিন লার্নিং সরঞ্জামগুলোকে আগেই স্বীকৃতি দিয়েছে।
← সব লেখা