Размер видео: 1280 X 720853 X 480640 X 360
Показать панель управления
Автовоспроизведение
Автоповтор
up主真的很厉害,你就是中国的andrej karpathy。我看李宏毅的课看得懵懵懂懂,跑去复习了很多知识,但是一直没有串起来,公式看了好几遍还是懵懵懂懂。后来在李宏毅的评论里有人推荐了你这个频道就点开看了,没想到居然把所有知识点串起来了,我的脑袋扑哧一声就炸开了,我开窍了,超级神奇。非常感谢up主,爱你爱你么么哒!
"脑袋扑哧一声就炸开了" 恐怖片。。。
目前看過講解的最好的!期待看到更多新影片~
已更新
Introduction of DDPM for high-school studentsEpisode I: ruclips.net/video/zEZOYZeIPUs/видео.htmlEpisode II: ruclips.net/video/C1WkW1Q6Iok/видео.htmlEpisode III: ruclips.net/video/2vWQUkUlKIE/видео.htmlEpisode IV(paid required): www.bilibili.com/video/BV1gK421b7W9/Online demo:wangjia184.github.io/diffusion_model/Source code: github.com/wangjia184/diffusion_model/
不错的视频!之前总是奇怪为什么要从一片噪声中生成图像,原来这种无中生有是有道理的。“从x0到xt的关系式中可以看到,对于大T时刻,α bar值接近0,所以xT约等于ε,也就是说xT的图像近似于标准正态分布。因此可以认为任何一张标准正态分布的噪声图片,都是某张x0的原图加噪后得来的,只需要用标准正态分布随机采样就能生成xT时刻的图片。”
好厉害,之前看的东西什么都看不懂,看这个一下就看懂了!
写的深入浅出,大神太厉害了,期待下一集
做的太好了!Please keep up with good work!
非常清晰,谢谢大刘
非常感谢。 希望出一期关于transformer的。
非常期待接下来更多视频!
请再出一些其他的系列吧?讲的太好了!!求联系方式!
我看过的讲得最好,没有之一。我数学基础不好,DDPM的论文下载了看来3天,外加台大李宏毅的课,都不甚了了,up主是真懂的,所以才能如此深入浅出。建议动画可以简单一点,制作起来太费时间了,能不能找到一种花时间少的表达方式,比如就用几页PPT来讲,大道致简的思想表达才是核心。AI方向可以讲的内容会越来越多,但真懂人的稀缺,在表达工具上太花时间了,负担会太重,难以持续。
哈哈,在我看来,能够形象化地表达才算真正意义上的理解。比如爱因斯坦当年狭义相对论的火车试验,广义相对论的电梯试验,以及EPR paradox,都可以用最浅显生动的例子来洞察高深的物理学本质,比起公式推导更能体现爱因斯坦敏锐的直觉和洞察力。所以,后面我会尝试绕过公式,直接用三维动画展示整个扩散过程,无须理解公式也能去理解整个模型的原理,我觉得这点非常有意思。
很棒,希望能够讲解更多的AI相关数学知识!
讲得太好了!!!!
真的很clean 好多视频推来推去不知道在推什么 如果用类似VAE的ELBO去推 多了一堆式子 再自圆其说的把有些项说不重要再cross out掉 这个视频告诉我们做来做去其实一个bayesian rule就解释清楚了 牛逼
我又来催更了,每天进youtube第一件事就是 看您有没有更新内容
厉害了学习了很多。有教程的其他链接吗,比如公众号、知乎啥的
哦,看到后面恍然大悟了。有一个很重要的信息,就是正态分布。本质是像素点的不同正态分布叠加。
講得真好
這麼卷的嗎.. 中學生也懂 DDPM不妨多作一期 DPM++ 2M SDE Solver 😀
好牛的视频
讲的不错兄弟
有DDIM相關視頻嗎
牛
完了,我的高中数学可能白学了,因为我还是看不懂
还有训练过程呢?亟待更新呢,做的特别好
想請問,這樣生成出來的東西是無限個還是有限的?假設是有限的,所以最終會生成出重複的畫面對嗎?
毫不夸张的说,这是我看到关于stable diffusion数学原理方面最好的视频,没有之一。
😂
牛牛牛。
念成投子,確實是第一次聽到
太厉害了,不过我中学数学肯定没学好🥲
很不错啊,很清晰了属于是,这个可以送礼物吗?。。下半部分呢,没找到诶,是还没更新吗?
还没弄
@@大白话AI 期待 支持👍
已更新@@qqD-h2r
25:17 為何不用這個等式直接從Xt求得X0
在DDPM中,每个像素的噪声分布是独立的,也就是说,噪声$\epsilon_t$对于不同的像素是不相关的。因此,给定$x_t$和$\epsilon_t$,我们可以很容易地计算出$x_0$. 然而,在实际应用中,我们并不知道每个像素的噪声值,因此也无法直接从$x_t$推断出$x_0$。相反,我们需要通过神经网络模型来学习每个像素的噪声分布,从而能够正确地生成样本。这里很重要的一点,神经网络预测的并不是图像,而是它的概率分布。比如知道彩票的概率分布,但无法预知下次的开奖结果一样。
@@大白话AI 那为什么不能用神经网络直接学习出从x0到xt的噪声分布从而直接从xt得到x0呢
真抱歉,感觉讲的深入浅出,但奈何数学全部还给老师了,渐渐就看不懂了。。。
看起来很白痴的视频却是最深刻的视频!清楚地看到了数学模型在AI中的运用。大概是用概率反推吧。
nb!
虽然一点没听懂,但是我听得不亦乐乎
这典型的收费质量啊
原来这才是所谓的预测?
讲的太棒了
up主真的很厉害,你就是中国的andrej karpathy。我看李宏毅的课看得懵懵懂懂,跑去复习了很多知识,但是一直没有串起来,公式看了好几遍还是懵懵懂懂。后来在李宏毅的评论里有人推荐了你这个频道就点开看了,没想到居然把所有知识点串起来了,我的脑袋扑哧一声就炸开了,我开窍了,超级神奇。非常感谢up主,爱你爱你么么哒!
"脑袋扑哧一声就炸开了" 恐怖片。。。
目前看過講解的最好的!期待看到更多新影片~
已更新
Introduction of DDPM for high-school students
Episode I: ruclips.net/video/zEZOYZeIPUs/видео.html
Episode II: ruclips.net/video/C1WkW1Q6Iok/видео.html
Episode III: ruclips.net/video/2vWQUkUlKIE/видео.html
Episode IV(paid required): www.bilibili.com/video/BV1gK421b7W9/
Online demo:wangjia184.github.io/diffusion_model/
Source code: github.com/wangjia184/diffusion_model/
不错的视频!之前总是奇怪为什么要从一片噪声中生成图像,原来这种无中生有是有道理的。
“从x0到xt的关系式中可以看到,对于大T时刻,α bar值接近0,所以xT约等于ε,也就是说xT的图像近似于标准正态分布。因此可以认为任何一张标准正态分布的噪声图片,都是某张x0的原图加噪后得来的,只需要用标准正态分布随机采样就能生成xT时刻的图片。”
好厉害,之前看的东西什么都看不懂,看这个一下就看懂了!
写的深入浅出,大神太厉害了,期待下一集
已更新
做的太好了!Please keep up with good work!
非常清晰,谢谢大刘
非常感谢。 希望出一期关于transformer的。
非常期待接下来更多视频!
请再出一些其他的系列吧?讲的太好了!!求联系方式!
我看过的讲得最好,没有之一。我数学基础不好,DDPM的论文下载了看来3天,外加台大李宏毅的课,都不甚了了,up主是真懂的,所以才能如此深入浅出。建议动画可以简单一点,制作起来太费时间了,能不能找到一种花时间少的表达方式,比如就用几页PPT来讲,大道致简的思想表达才是核心。AI方向可以讲的内容会越来越多,但真懂人的稀缺,在表达工具上太花时间了,负担会太重,难以持续。
哈哈,在我看来,能够形象化地表达才算真正意义上的理解。比如爱因斯坦当年狭义相对论的火车试验,广义相对论的电梯试验,以及EPR paradox,都可以用最浅显生动的例子来洞察高深的物理学本质,比起公式推导更能体现爱因斯坦敏锐的直觉和洞察力。所以,后面我会尝试绕过公式,直接用三维动画展示整个扩散过程,无须理解公式也能去理解整个模型的原理,我觉得这点非常有意思。
很棒,希望能够讲解更多的AI相关数学知识!
讲得太好了!!!!
真的很clean 好多视频推来推去不知道在推什么 如果用类似VAE的ELBO去推 多了一堆式子 再自圆其说的把有些项说不重要再cross out掉 这个视频告诉我们做来做去其实一个bayesian rule就解释清楚了 牛逼
我又来催更了,每天进youtube第一件事就是 看您有没有更新内容
厉害了学习了很多。有教程的其他链接吗,比如公众号、知乎啥的
哦,看到后面恍然大悟了。有一个很重要的信息,就是正态分布。本质是像素点的不同正态分布叠加。
講得真好
這麼卷的嗎.. 中學生也懂 DDPM
不妨多作一期 DPM++ 2M SDE Solver 😀
好牛的视频
讲的不错兄弟
有DDIM相關視頻嗎
牛
完了,我的高中数学可能白学了,因为我还是看不懂
还有训练过程呢?亟待更新呢,做的特别好
想請問,這樣生成出來的東西是無限個還是有限的?
假設是有限的,所以最終會生成出重複的畫面對嗎?
毫不夸张的说,这是我看到关于stable diffusion数学原理方面最好的视频,没有之一。
😂
牛牛牛。
念成投子,確實是第一次聽到
太厉害了,不过我中学数学肯定没学好🥲
很不错啊,很清晰了属于是,这个可以送礼物吗?。。下半部分呢,没找到诶,是还没更新吗?
还没弄
@@大白话AI 期待 支持👍
已更新@@qqD-h2r
25:17 為何不用這個等式直接從Xt求得X0
在DDPM中,每个像素的噪声分布是独立的,也就是说,噪声$\epsilon_t$对于不同的像素是不相关的。因此,给定$x_t$和$\epsilon_t$,我们可以很容易地计算出$x_0$. 然而,在实际应用中,我们并不知道每个像素的噪声值,因此也无法直接从$x_t$推断出$x_0$。相反,我们需要通过神经网络模型来学习每个像素的噪声分布,从而能够正确地生成样本。这里很重要的一点,神经网络预测的并不是图像,而是它的概率分布。比如知道彩票的概率分布,但无法预知下次的开奖结果一样。
@@大白话AI 那为什么不能用神经网络直接学习出从x0到xt的噪声分布从而直接从xt得到x0呢
真抱歉,感觉讲的深入浅出,但奈何数学全部还给老师了,渐渐就看不懂了。。。
看起来很白痴的视频却是最深刻的视频!清楚地看到了数学模型在AI中的运用。大概是用概率反推吧。
nb!
虽然一点没听懂,但是我听得不亦乐乎
这典型的收费质量啊
原来这才是所谓的预测?
讲的太棒了