![Deep Learning và PyTorch [và phân loại hình ảnh]Hình thu nhỏ khóa học](https://cdn.inflearn.com/public/files/courses/341712/cover/ai/3/f1bb7ccd-7a72-4fa7-9ae0-cc3c9b3f3e8b.png?w=420)
Deep Learning và PyTorch [và phân loại hình ảnh]
vmproductor0202
Học deep learning thông qua PyTorch. Cuối cùng, khóa học sẽ đề cập đến phân loại hình ảnh.
Nhập môn
Python, Deep Learning(DL), PyTorch
Khóa học này thực hiện các bài thực hành liên quan đến mô hình Diffusion trong số các mô hình trí tuệ nhân tạo sinh tạo. Thông qua việc cùng nhau đọc và triển khai bài báo prompt-to-prompt - một bài báo ứng dụng mô hình Diffusion tiêu biểu, chúng tôi hy vọng có thể giúp bạn phát triển khả năng hiểu các bài báo trí tuệ nhân tạo mới nhất.
66 học viên
Độ khó Trung cấp trở lên
Thời gian Không giới hạn
Đánh giá từ những học viên đầu tiên
5.0
south420
Tôi đang tìm kiếm vì không có nhiều khóa học triển khai bài báo deep learning, cảm ơn bạn vì khóa học tuyệt vời!
5.0
개발꿈나무
Đã nghe bài giảng rất hay! Hy vọng anh/chị cũng sẽ làm bài giảng về các bài báo khoa học cơ bản về AI dành cho những người mới bắt đầu như tôi.
5.0
열심히공부
Tôi nghĩ đây là lần đầu tiên tôi thấy một khóa học triển khai paper giải thích chi tiết và tận tình đến vậy. Tôi đã tham khảo được rất nhiều về cách các paper Diffusion được cấu trúc. Cảm ơn bạn.
Hiểu khái niệm mô hình Diffusion
Hiểu về bài báo Prompt-to-prompt - một bài báo ứng dụng điển hình của mô hình Diffusion
Triển khai bài báo Prompt-to-prompt sử dụng PyTorch
Các phương pháp giải quyết những phần bị tắc nghẽn khi đọc và triển khai các bài báo AI
Thực hành triển khai bài báo Prompt-to-prompt để hiểu một cách tự nhiên các chi tiết của mô hình Diffusion, và
đạt được khả năng triển khai bài báo đã trở thành điều cần thiết để theo đuổi sự nghiệp AI!
Khi học về mô hình Diffusion, bạn có gặp phải những khó khăn như dưới đây không?
Mã của các mô hình mới nhất không được công khai hoặc được viết một cách khó hiểu.
Có vô số thông tin về lý thuyết, nhưng khi thực sự bắt đầu triển khai một mô hình cụ thể thì lại cảm thấy bối rối.
Từ góc độ của một chuyên gia về trí tuệ nhân tạo, tôi đã tổng hợp tất cả những kinh nghiệm vượt qua khó khăn như trên. Trong khóa học này, chúng ta sẽ hiểu về các khái niệm cần thiết của mô hình Diffusion và cùng nhau triển khai code từ các bài báo quan trọng để tái tạo kết quả.
Dưới đây là ví dụ kết quả triển khai của bài báo Prompt-to-prompt.
Trước khi đọc bài báo, chúng ta sẽ nhanh chóng tìm hiểu những kiến thức cơ bản cần biết về mô hình Diffusion từ góc độ thực tiễn. Đồng thời cũng sẽ thảo luận về kiến trúc mô hình Diffusion cần nắm vững từ góc độ triển khai.

Chúng ta sẽ cùng đọc bài báo Prompt-to-prompt, một bài báo ứng dụng mô hình Diffusion tiêu biểu, và tổng hợp các nội dung cốt lõi. Bài báo này tập trung vào những phần cần xem xét khi triển khai và chứa đựng các mẹo tổng thể về cách đọc các bài báo trí tuệ nhân tạo.

Dựa trên bài báo đã đọc cùng nhau, chúng ta sẽ viết code để tái tạo kết quả của bài báo. Nội dung bài giảng được cấu trúc dưới dạng live coding, bao gồm giải thích chi tiết về việc triển khai nội dung của bài báo. Ngoài ra, bạn có thể học các phương pháp trouble shooting cho nhiều vấn đề phát sinh trong quá trình triển khai.

Q1. Tôi chỉ muốn ứng dụng các mô hình trí tuệ nhân tạo mới nhất thôi, liệu có cần thiết phải tìm và đọc các bài báo khoa học không?
A. Việc tìm kiếm và đọc các bài báo khoa học là con đường nhanh nhất để hiểu chính xác phương pháp ứng dụng đó. Hãy nhanh chóng nắm bắt các xu hướng trí tuệ nhân tạo mới nhất thông qua các bài báo khoa học.
Q2. Để hiểu được bài báo khoa học thì cần phải có nhiều kiến thức nền tảng phải không?
A. Nếu bạn có kiến thức cơ bản về lĩnh vực này, bạn có thể hiểu được bằng cách tra cứu những khái niệm chưa biết khi cần thiết. Hãy thu thập những khái niệm cốt lõi và bí quyết để hiểu các bài báo khoa học về trí tuệ nhân tạo thông qua khóa học này.
Ngôn ngữ lập trình và thư viện: Python, PyTorch, Hugging Face
Công cụ môi trường phát triển: Visual Studio Code, Anaconda, Jupyter Notebook
Yêu cầu phần cứng để chạy: Nvidia GPU 12GB trở lên / Apple Silicon 16GB trở lên
Cung cấp slide bài giảng, bài báo khoa học, mã code thực hành
Hiểu biết về ngôn ngữ Python
Kinh nghiệm phát triển cơ bản sử dụng Visual Studio Code, Anaconda, Jupyter Notebook
Hiểu biết cơ bản về đại số tuyến tính/trí tuệ nhân tạo
Khóa học này là một dự án thực hành để hiểu và triển khai các bài báo ứng dụng mô hình Diffusion.
Đây không phải là khóa học bao gồm tất cả lý thuyết trí tuệ nhân tạo từ A đến Z.
Xử lý kiến thức nền tảng cần thiết để triển khai nội dung nghiên cứu từ góc độ thực tiễn.
Khóa học này dành cho ai?
Tất cả những người liên quan đến dự án triển khai nội dung của các bài báo trí tuệ nhân tạo mới nhất
Những người đang chuẩn bị sự nghiệp liên quan đến trí tuệ nhân tạo (AI Engineer, Thạc sĩ AI, v.v.)
Những bạn đang chuẩn bị luận văn tốt nghiệp/dự án đại học với chủ đề trí tuệ nhân tạo
Cần biết trước khi bắt đầu?
Hiểu biết về ngôn ngữ Python
Kinh nghiệm phát triển cơ bản sử dụng Visual Studio Code, Anaconda, Jupyter Notebook
Hiểu biết cơ bản về đại số tuyến tính/trí tuệ nhân tạo
735
Học viên
52
Đánh giá
6
Trả lời
4.6
Xếp hạng
2
Các khóa học
Tốt nghiệp Thạc sĩ Đại học Quốc gia Seoul
Kinh nghiệm thuyết trình bài báo tại các hội nghị học thuật hàng đầu (Top-tier) trong lĩnh vực trí tuệ nhân tạo.
Tất cả
53 bài giảng ∙ (6giờ 32phút)
Tài liệu khóa học:
16. Tóm tắt
13:57
17. Giới thiệu (1/3)
10:12
18. Giới thiệu (2/3)
09:15
19. Giới thiệu (3/3)
01:54
21. Method (1/9)
05:44
23. Method (3/9)
11:22
24. Method (4/9)
13:49
25. Method (5/9)
04:39
26. Method (6/9)
17:04
27. Method (7/9)
12:21
28. Method (8/9)
05:37
29. Method (9/9)
03:31
30. Ứng dụng (1/7)
07:41
31. Ứng dụng (2/7)
07:05
32. Ứng dụng (3/7)
02:38
33. Ứng dụng (4/7)
02:08
34. Ứng dụng (5/7)
03:09
35. Ứng dụng (6/7)
09:56
36. Ứng dụng (7/7)
04:34
37. Kết luận
09:32
Tất cả
9 đánh giá
4.8
9 đánh giá
Đánh giá 1
∙
Đánh giá trung bình 5.0
Đánh giá 1
∙
Đánh giá trung bình 5.0
5
Tôi đang tìm kiếm vì không có nhiều khóa học triển khai bài báo deep learning, cảm ơn bạn vì khóa học tuyệt vời!
Cảm ơn bạn đã để lại đánh giá tốt.
Đánh giá 1
∙
Đánh giá trung bình 5.0
5
Đã nghe bài giảng rất hay! Hy vọng anh/chị cũng sẽ làm bài giảng về các bài báo khoa học cơ bản về AI dành cho những người mới bắt đầu như tôi.
Cảm ơn bạn vì đánh giá tốt. Tôi đang lên kế hoạch cho khóa học cơ bản về AI. Tôi sẽ sớm gặp lại bạn với khóa học mới!
Đánh giá 1
∙
Đánh giá trung bình 5.0
5
Tôi nghĩ đây là lần đầu tiên tôi thấy một khóa học triển khai paper giải thích chi tiết và tận tình đến vậy. Tôi đã tham khảo được rất nhiều về cách các paper Diffusion được cấu trúc. Cảm ơn bạn.
Cảm ơn bạn đã để lại đánh giá tốt.
Đánh giá 111
∙
Đánh giá trung bình 4.9
Khám phá các khóa học khác trong cùng lĩnh vực!