این یک برنامه ویندوزی به نام Guided Diffusion است که آخرین نسخه آن را می‌توانید با نام guided-diffusionsourcecode.tar.gz دانلود کنید. این برنامه را می‌توان به صورت آنلاین در ارائه دهنده میزبانی وب رایگان OnWorks برای ایستگاه‌های کاری اجرا کرد.
این برنامه با نام Guided Diffusion with OnWorks را به صورت رایگان دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. هر شبیه ساز آنلاین OS OnWorks را از این وب سایت راه اندازی کنید، اما شبیه ساز آنلاین ویندوز بهتر است.
- 5. از OnWorks Windows OS که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. برنامه را دانلود و نصب کنید.
- 7. Wine را از مخازن نرم افزار توزیع لینوکس خود دانلود کنید. پس از نصب، می توانید روی برنامه دوبار کلیک کنید تا آنها را با Wine اجرا کنید. همچنین می توانید PlayOnLinux را امتحان کنید، یک رابط کاربری فانتزی بر روی Wine که به شما کمک می کند برنامه ها و بازی های محبوب ویندوز را نصب کنید.
Wine راهی برای اجرای نرم افزار ویندوز بر روی لینوکس است، اما بدون نیاز به ویندوز. Wine یک لایه سازگار با ویندوز منبع باز است که می تواند برنامه های ویندوز را مستقیماً بر روی هر دسکتاپ لینوکس اجرا کند. اساساً، Wine در تلاش است تا به اندازه کافی از ویندوز را از ابتدا مجدداً پیاده سازی کند تا بتواند همه آن برنامه های ویندوز را بدون نیاز به ویندوز اجرا کند.
عکس ها
Ad
انتشار هدایتشده
شرح
مخزن انتشار هدایتشده بر مدل‌های انتشار برای سنتز تصویر متمرکز است و بر هدایت طبقه‌بندی‌کننده و بهبودهایی نسبت به چارچوب‌های انتشار قبلی تمرکز دارد. این مخزن از کار انتشار بهبودیافته OpenAI مشتق شده است که برای شامل تولید هدایتشده بهبود یافته است که در آن یک طبقه‌بندی‌کننده (یا مکانیسم هدایت دیگر) می‌تواند نمونه‌برداری را به سمت کلاس‌ها یا ویژگی‌های مورد نظر هدایت کند. این کد تعاریف مدل (UNet، برنامه‌های انتشار)، اسکریپت‌های نمونه‌برداری و آموزش و ابزارهایی برای هدایت و ارزیابی ارائه می‌دهد. یک بینش کلیدی این است که ترکیب نمونه‌برداری انتشار با گرادیان‌های طبقه‌بندی‌کننده، امکان کنترل دقیق بر تصاویر تولید شده را فراهم می‌کند و تنوع را در مقابل وفاداری متعادل می‌کند. این مخزن شامل اسکریپت‌هایی مانند image_train.py، image_sample.py و classifier_train.py برای آموزش مدل‌های انتشار، تولید نمونه‌ها و آموزش طبقه‌بندی‌کننده‌های راهنما است. همچنین با دسته‌های ارزیابی از پیش محاسبه‌شده و مقایسه‌های پایه برای پشتیبانی از معیارسنجی تکرارپذیر مدل‌های جدید ارائه می‌شود.
امکانات
- معماری مدل انتشار (UNet، برنامه‌های نویز، ابزارهای آموزشی)
- نمونه‌برداری هدایتشده توسط طبقه‌بندی‌کننده: ترکیب انتشار با گرادیان‌های طبقه‌بندی‌کننده
- اسکریپت‌هایی برای آموزش مدل‌ها (image_train.py)، نمونه‌برداری (image_sample.py) و آموزش طبقه‌بندی‌کننده
- دسته‌های ارزیابی از پیش محاسبه‌شده و معیارهای پایه برای تکرارپذیری
- کد ماژولار که امکان روش‌های جدید هدایت یا اصلاحات معماری را فراهم می‌کند
- انشعاب از انتشار بهبود یافته با پیشرفت در تولید هدایت شده
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه‌ای است که می‌توان آن را از https://sourceforge.net/projects/guided-diffusion.mirror/ نیز دریافت کرد. این برنامه در OnWorks میزبانی شده است تا بتوان آن را به ساده‌ترین روش به صورت آنلاین از یکی از سیستم‌های عامل رایگان ما اجرا کرد.
