商城网站页面模板,长沙专业做网站,wordpress新建php页面,如何让百度收录自己的理解#xff1a;
根据几个图像#xff0c;找出来一个关键字可以代表它们#xff0c;然后我们可以再用这个关键字去生成新的东西。
提出关键字 1 Introduction word-token-embedding Textual Inversion过程
需要#xff1a;
① a fixed, pre-trained text…自己的理解
根据几个图像找出来一个关键字可以代表它们然后我们可以再用这个关键字去生成新的东西。
提出关键字 1 Introduction word-token-embedding Textual Inversion过程
需要
① a fixed, pre-trained text-to-image model 一个固定的预训练模型
② a small image set depicting the concept一个描述概念的小图像集
目标
find a single word embedding, such that A photo of S* will lead to the reconstructions of images from our small set 3 Method
LDM 包含两个核心组件
1.AutoEncoder
Encoder把
Decoder
2.Diffusion Model
LDM Loss Text embedding 典型的文本编码器例如 BERT都从文本处理步骤开始
① word (in a input string) convert to a token ( an index in some pre-defined dictionary某个预定义词典中的索引) 构建一个词汇表包含数据集中出现的所有唯一token通常是一个字典将每个token映射到唯一的整数ID。 ②each token then linked to a embedding vector (可以通过基于索引的查找来检索。) 对于每个token使用词汇表的ID可以查找其对应的 embedding vector。 ③learned as part of the text encoder c_{\theta}
in our work
定义一个 placeholder string S_*表示我们想要学习的 new concept
干涉 embedding process用 embedding v_* 取代 与标记符相关的向量本质上是把这个词注入到我们的词典中
小结
一串字符串文本它的每个词可以通过 分词器 变为若干个 token每个token可以映射到一个词向量我们通过干预它映射词向量的过程学得一个可以代表新特征的伪词。 Text Inversion
用 3-5张图片 depict 目标概念。
通过直接优化的方式最小化 LDM loss就可以找到 v_*
优化目标 保持 \epsilon_{\theta} ,c_{\theta} 不变重新训练LDM来找到 V_*
小结
通过几张图片输入到网络中依据LDM loss固定某些参数不变来找到最合适的 V_* 参考资料
Textual Inversion · AUTOMATIC1111/stable-diffusion-webui Wiki · GitHub
