Farandr
С чего бы такое не возможно? Она же всех ведьм захавала. Она скорее всего дольше эльфов жить способна
судя по стажу вам от 20 до 30 лет, следовательно в течение 10 максимум 20 лет начнете лысеть.
расти то растет.... но... ведь это возможно)
Ты же не продажный0_0 бартер уже давно не в моде, да и это тоже своего рода рынок.... Да и как бы чемоданы как валюта - не очень.
Кстати мне тоже можешь
Вот вам и ответ. Не играйте с рабочей выездной машины, или не перегружайте при этом систему. Ноут - по определению не может лучше стационарного ПК для игр.
А ОН НА НОУТЕ ЧТО ЛИ ИГРАЕТ?! Зарядку пусть воткнет в ноут и будет ему счастье...
Значит на твоей стороне что-то... На ртх 3050 стабильные 60-75 кадров имеются на максималках. Во всех актах.
Это в каких параметрах она плохая?
Чувак, что за бред ты выдал? Какое "усредненное общее"? Ты хоть примерно представляешь как под копотом работают обычные большие нейронные сети, а уж тем более диффузионные? Откуда вы вообще этот бред про усредненное общее взяли???
Объясню на пальцах что делает модель. Есть нейрон - он может хранить в себе какое то значение. от 0 до 1, Этот нейрон - "смотрит" на другие нейроны из предыдущего слоя и видит их значения(то какое число хранит каждый из этих нейронов на которые он смотрит). Свое значение каждый из нейронов находит так: посмотри на нейрон из предыдущего слоя, умножь его цифру на определенное число индивидуальное для этого конкретного нейрона, приплюсуй к промежуточному значению внутри себя, сложив результаты смотрения на все предыдущие нейроны - он прогоняет их через математическую формулу(RELU, Linear и тд и тп) и формирует свое собственное число. Этот процесс выполняется послойно, а получившийся результат на последнем слое - и есть результат модели. Чиселки последнего слоя по определенному правилу, интерпретируются оболочкой как определенный ответ(активность самого активного нейрона для языковых моделей, или цвет пикселя для графических, например). Это очень приближенно о том как в целом работают нейронные сети.
Диффузионные:
Основная концепция диффузионной модели - улучшение грязного изображения до чистого. Такая модель на первом этапе генерации видит просто белый шум - случайный набор пикселей, и преобразованное в эмбеддинги текстовое описание того что изображено на этом изображении. Задача модели - наложить поверх шума такую последовательность пикселей, чтобы изображение стало больше похоже на описание. Этот процесс накладывания на белый шум слоев, повторяется n раз, и в конце генерации мы и получаем итоговое изображение.
При обучении таких моделей, каждое изображение из датасета разбивается на n семплов, для каждого из которых берется текстовое описание что на изображении изображено, и модель учится формировать такие корректирующие слои изображения на готовых данных.
Где здесь простите "усреднение"?????