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????