人工智能的优势：使用 GPT 和扩散模型生成图像-Toy模板网

这篇具有很好参考价值的文章主要介绍了人工智能的优势：使用 GPT 和扩散模型生成图像。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

推荐：使用 NSDT场景编辑器快速搭建3D应用场景

世界被人工智能（AI）所吸引，尤其是自然语言处理（NLP）和生成 AI 的最新进展，这是有充分理由的。这些突破性技术有可能提高各种任务的日常生产力。例如，GitHub Copilot帮助开发人员快速编写整个算法，OtterPilot自动生成高管会议记录，Mixo允许企业家快速启动网站。

本文将简要概述生成式 AI，包括相关的 AI 技术示例，然后通过生成式 AI 教程将理论付诸实践，我们将使用 GPT 和扩散模型创建艺术渲染。

人工智能的优势：使用 GPT 和扩散模型生成图像,人工智能,gpt

作者的六张 AI 生成的图像，使用本教程中的技术创建。

生成式 AI 的简要概述

注意：熟悉生成式 AI 背后的技术概念的人可以跳过本节并继续学习本教程。

2022 年，许多基础模型实现进入市场，加速了许多领域的人工智能进步。在了解了几个关键概念之后，我们可以更好地定义基础模型：

人工智能是一个通用术语，描述任何可以智能地完成特定任务的软件。
机器学习是人工智能的一个子集，它使用从数据中学习的算法。
神经网络是机器学习的一个子集，它使用以人脑为模型的分层节点。
深度神经网络是具有许多层和学习参数的神经网络。

基础模型是在大量原始数据上训练的深度神经网络。在更实际的术语中，基础模型是一种非常成功的人工智能类型，可以轻松适应和完成各种任务。基础模型是生成式 AI 的核心：文本生成语言模型（如 GPT）和图像生成扩散模型都是基础模型。

文本：自然语言处理模型

在生成式 AI 中，自然语言处理（NLP）模型经过训练，可以生成读起来好像由人类撰写的文本。特别是，大型语言模型（LLM）与当今的AI系统特别相关。LLM根据其对大量数据的使用进行分类，可以识别和生成文本和其他内容。

在实践中，这些模型可以用作写作甚至编码助手。自然语言处理应用程序包括简单地重述复杂概念，翻译文本，起草法律文件，甚至创建锻炼计划（尽管此类用途有一定的局限性）。

Lex 是具有许多功能的 NLP 写作工具的一个例子：提出标题、完成句子以及就给定主题撰写整个段落。目前最容易识别的LLM是GPT。GPT 由 OpenAI 开发，可以在几秒钟内以高精度响应几乎任何问题或命令。OpenAI的各种模型都可以通过单个API获得。与 Lex 不同，GPT 可以处理代码、根据功能需求对解决方案进行编程以及识别代码内问题，从而使开发人员的生活更加轻松。

图像：AI 扩散模型

扩散模型是一种深度神经网络，它包含潜在变量，能够通过消除模糊（即噪声）来学习给定图像的结构。在训练模型的网络以“知道”图像背后的概念抽象后，它可以创建该图像的新变体。例如，通过消除猫图像中的噪声，扩散模型“看到”猫的干净图像，了解猫的外观，并应用这些知识来创建新的猫图像变体。

扩散模型可用于去噪或锐化图像（增强和完善它们），操纵面部表情或生成面部老化图像，以暗示一个人随着时间的推移可能会如何看待。您可以浏览 Lexica 搜索引擎，见证这些 AI 模型在生成新图像方面的强大功能。

教程：扩散模型和 GPT 实现

为了演示如何实现和使用这些技术，让我们练习使用 HuggingFace 扩散模型和 GPT 生成动漫风格的图像，这两者都不需要任何复杂的基础设施或软件。我们将从一个现成的模型（即已经创建和预先训练的模型）开始，我们只需要对其进行微调。

注意：本文介绍了如何使用生成式 AI 图像和语言模型以有趣的风格创建自己的高质量图像。本文中的信息不应（误）用于违反 Google Colab 使用条款创建深度伪造。

设置和照片要求

要准备本教程，请在以下位置注册：

谷歌	使用云端硬盘和 Colab。
开放人工智能	进行 GPT API 调用。

您还需要将 20 张自己的照片（甚至更多照片）保存在您计划用于本教程的设备上，以提高性能。为获得最佳效果，照片应：

不小于 512 x 512 像素。
属于你，也只属于你。
具有相同的扩展格式。
从各种角度拍摄。
至少包括三到五次全身镜头和两到三次中身镜头;其余的应该是面部照片。

也就是说，照片不需要完美——看看偏离这些要求如何影响输出甚至会很有启发性。

使用拥抱人脸扩散模型生成 AI 图像

要开始使用，请打开本教程的配套 Google Colab 笔记本，其中包含所需的代码。

运行单元格 1 将 Colab 与您的 Google 云端硬盘连接，以存储模型并在以后保存其生成的图像。
运行单元 2 以安装所需的依赖项。
运行单元格 3 以下载拥抱面模型。
在单元格 4 中，在字段中键入“我的外观”，然后运行该单元格。会话名称通常标识模型将学习的概念。Session_Name
运行单元格 5 并上传您的照片。
转到单元格 6 以训练模型。通过在运行单元之前选中该选项，可以多次重新训练它。（此步骤可能需要大约一个小时才能完成。Resume_Training
最后，运行单元格 7 以测试模型并查看其运行情况。系统将输出一个URL，您可以在其中找到生成图像的界面。输入提示后，按“生成”按钮以渲染图像。
用于生成图像的用户界面

有了工作模型，我们现在可以尝试各种提示，产生不同的视觉风格（例如，“我作为一个动画角色”或“我作为一个印象派绘画”）。但是，将 GPT 用于字符提示是最佳的，因为与用户生成的提示相比，它可以产生更多细节，并最大限度地发挥模型的潜力。

使用 GPT 进行有效扩散模型提示

我们将通过 OpenAI 将 GPT 添加到我们的管道中，尽管 Cohere 和其他选项为我们的目的提供了类似的功能。首先，在 OpenAI 平台上注册并创建您的 API 密钥。现在，在 Colab 笔记本的“生成良好的提示”部分，安装 OpenAI 库：

pip install openai

接下来，加载库并设置 API 密钥：

import openai
openai.api_key = "YOUR_API_KEY"

我们将从 GPT 生成优化的提示，以动漫角色的风格生成我们的图像，替换为笔记本单元格 4 中设置的会话名称“我的样子”：YOUR_SESSION_NAME

ASKING_TO_GPT = 'Write a prompt to feed a diffusion model to generate beautiful images '\
                'of YOUR_SESSION_NAME styled as an anime character.' 
response = openai.Completion.create(model="text-davinci-003", prompt=ASKING_TO_GPT,
                                    temperature=0, max_tokens=1000)
print(response["choices"][0].text)

该参数的范围介于 0 和 2 之间，它确定模型是应严格遵守其训练的数据（值接近 0），还是对其输出更具创造性（值接近 2）。该参数设置要返回的文本量，四个标记相当于大约一个英语单词。temperaturemax_tokens

就我而言，GPT 模型输出如下：

"Juan is styled as an anime character, with large, expressive eyes and a small, delicate mouth.
His hair is spiked up and back, and he wears a simple, yet stylish, outfit. He is the perfect
example of a hero, and he always manages to look his best, no matter the situation."

最后，通过将此文本作为输入输入到扩散模型中，我们实现了最终输出：