Как говорила моя бабушка: "ДАЙ БОГ ТЕ ЗДОРОВЬЯ, ДОРОГОЙ!" Спасибо за опыт и табличку. Возможно, стоит ввести в название Stable diffusion? В общем и целом (разве что не с таким весом), там работают эти трюки. А иначе гики посмотрют, подумают, что эти миджорни для аристократов и не посмотрют)
@user-by8jd3iq9h4 ай бұрын
Спасибо за такое важное нужное видео!
@Endless-Lemniscate Жыл бұрын
Почему у этого не миллион просмотров
@DpakoHoBHeT Жыл бұрын
Саша, огромное спасибо, очень ценно. Ставлю класс!
@ktotutlena Жыл бұрын
суууууупер, спасибо, Саша!
@nycolorinstitute4 ай бұрын
Александр, и много Ааааааа😂😂😂
@nycolorinstitute
4 ай бұрын
А так ты Милый🎉🎉🎉
@karpova_karp Жыл бұрын
Ваааау, это класс! Спасибо! Пойду делать кино в Midjourney, ну или хотя бы рилс)
@sukhonin Жыл бұрын
Спасибо за супер-полезный гайд! Добавил в закладки и скачал ПДФку!
@kissameichigo982 Жыл бұрын
спасибо, это полезно
@user-tp1qn2wt6t6 ай бұрын
Здравствуйте, можно у вас спросить, почему считается, что сверточная нейронная лучше чем полносвязная?
@artheism
6 ай бұрын
Здравствуйте! Сверточные нейронные сети (CNN) часто считаются более эффективными по сравнению с полносвязными нейронными сетями (FCNN) для определённых типов задач, особенно для обработки изображений и видео. Вот несколько причин, почему это так: Извлечение пространственных иерархий признаков: CNN способны извлекать иерархические признаки из изображений. Например, на первом слое они могут распознавать края, на втором - формы и углы, а на более глубоких слоях - сложные объекты. Это делает CNN особенно хорошими для задач распознавания образов. Параметрическая эффективность: В CNN используются свёрточные слои, которые значительно сокращают количество параметров по сравнению с полносвязными слоями. Это происходит благодаря использованию фильтров (ядер свёртки), которые применяются ко всему изображению, что позволяет изучать признаки независимо от их положения в пространстве изображения. Сохранение пространственных взаимосвязей: В отличие от FCNN, которые теряют пространственную информацию (так как входные данные преобразуются в одномерный вектор), CNN сохраняют и используют пространственные взаимосвязи между пикселями, что критически важно для анализа изображений. Лучшая обобщающая способность: Благодаря своей архитектуре CNN лучше обобщают данные, что позволяет им более эффективно работать с новыми, ранее невиданными изображениями. Применимость к различным видам данных: Хотя CNN изначально были разработаны для изображений, они также эффективно работают с другими типами данных, которые имеют пространственную или временную структуру, например, с аудио, видео и временными рядами. Однако важно отметить, что выбор между CNN и FCNN зависит от конкретной задачи. Для некоторых задач, где пространственная информация не является ключевой, полносвязные сети могут быть более подходящим выбором.
@user-tp1qn2wt6t
6 ай бұрын
@@artheism а если не пространственная задача, условно мы берём какой то вектор и для этого вектора берём просто одномерную свертку, таким образом понизив количество параметров, разве это не будет решением лучше?
@doeyn-byeol899611 ай бұрын
вечно путаю Доброкотова с Музыченко
@frechezzzgg6723 Жыл бұрын
Петиция за возвращение усиков!
@frameworks2 Жыл бұрын
очень пинтересно) но bоriiiing ....25 мин. эту инфу можно было запихнуть в текст-пост с примерами на 5 минут чтения. спс/дякую
Пікірлер: 17
Как говорила моя бабушка: "ДАЙ БОГ ТЕ ЗДОРОВЬЯ, ДОРОГОЙ!" Спасибо за опыт и табличку. Возможно, стоит ввести в название Stable diffusion? В общем и целом (разве что не с таким весом), там работают эти трюки. А иначе гики посмотрют, подумают, что эти миджорни для аристократов и не посмотрют)
Спасибо за такое важное нужное видео!
Почему у этого не миллион просмотров
Саша, огромное спасибо, очень ценно. Ставлю класс!
суууууупер, спасибо, Саша!
Александр, и много Ааааааа😂😂😂
@nycolorinstitute
4 ай бұрын
А так ты Милый🎉🎉🎉
Ваааау, это класс! Спасибо! Пойду делать кино в Midjourney, ну или хотя бы рилс)
Спасибо за супер-полезный гайд! Добавил в закладки и скачал ПДФку!
спасибо, это полезно
Здравствуйте, можно у вас спросить, почему считается, что сверточная нейронная лучше чем полносвязная?
@artheism
6 ай бұрын
Здравствуйте! Сверточные нейронные сети (CNN) часто считаются более эффективными по сравнению с полносвязными нейронными сетями (FCNN) для определённых типов задач, особенно для обработки изображений и видео. Вот несколько причин, почему это так: Извлечение пространственных иерархий признаков: CNN способны извлекать иерархические признаки из изображений. Например, на первом слое они могут распознавать края, на втором - формы и углы, а на более глубоких слоях - сложные объекты. Это делает CNN особенно хорошими для задач распознавания образов. Параметрическая эффективность: В CNN используются свёрточные слои, которые значительно сокращают количество параметров по сравнению с полносвязными слоями. Это происходит благодаря использованию фильтров (ядер свёртки), которые применяются ко всему изображению, что позволяет изучать признаки независимо от их положения в пространстве изображения. Сохранение пространственных взаимосвязей: В отличие от FCNN, которые теряют пространственную информацию (так как входные данные преобразуются в одномерный вектор), CNN сохраняют и используют пространственные взаимосвязи между пикселями, что критически важно для анализа изображений. Лучшая обобщающая способность: Благодаря своей архитектуре CNN лучше обобщают данные, что позволяет им более эффективно работать с новыми, ранее невиданными изображениями. Применимость к различным видам данных: Хотя CNN изначально были разработаны для изображений, они также эффективно работают с другими типами данных, которые имеют пространственную или временную структуру, например, с аудио, видео и временными рядами. Однако важно отметить, что выбор между CNN и FCNN зависит от конкретной задачи. Для некоторых задач, где пространственная информация не является ключевой, полносвязные сети могут быть более подходящим выбором.
@user-tp1qn2wt6t
6 ай бұрын
@@artheism а если не пространственная задача, условно мы берём какой то вектор и для этого вектора берём просто одномерную свертку, таким образом понизив количество параметров, разве это не будет решением лучше?
вечно путаю Доброкотова с Музыченко
Петиция за возвращение усиков!
очень пинтересно) но bоriiiing ....25 мин. эту инфу можно было запихнуть в текст-пост с примерами на 5 минут чтения. спс/дякую
Саня где твои кайфовые усы????