【ICLR 2023】Diffusion Models扩散模型和Prompt Learning提示学习：prompt-to-prompt

最新推荐文章于 2024-03-23 09:36:02 发布
最新推荐文章于 2024-03-23 09:36:02 发布
阅读量3.7k 收藏 16
点赞数 4
分类专栏： Diffusion Models与深度学习 文章标签： 扩散模型 diffusion model prompt learning 提示学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41895747/article/details/127327902
版权
了解本专栏 订阅专栏 解锁全文 超级会员免费看
沉迷单车的追风少年
关注
  • 4
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 6
    评论
专栏目录
订阅专栏
Transfer-learning-materials:收集资源以进行转移学习！
05-07
Materials for transfer learning , update: (2021,3,5) 新增video DA papers (2021,3,3) 新增1个video DA contest (Domain Adaptation for Action Recognition) (2021,2,25）新增 2个 CVPR 2020 workshop and 1个 ICML 2020 workshop (2021,2,7）新增 3个 DA papers (2021,1,14）新增 ICLR 2021 papers (2021,1,7）新增2个 DA paper (2020,12,14）新增7个 continous DA paper (2020,12,10）新增1个DA paper (2020,12,5）新增4个DA paper (2020,11,25）新增5个DA paper (
self-label:通过同时聚类和表示学习进行自我标记。 （ICLR 2020）
04-24
通过同时聚类和表示学习进行自我标记 :OK_button: :OK_button: :party_popper: 新模型（2020年8月20日）：添加了标准的SeLa预训练的Torchvision ResNet模型，使加载变得更加轻松+使用更好的MoCov2增强功能（〜69％LP...
“Prompt-to-Prompt Image Editing with Cross Attention Control ”代码分析（一）
yoonaanna的博客
10-26 711
交叉注意力可视化，文生图
Prompt-To-Prompt——仅通过文本进行图像编辑
持续关注并分享目标检测、数据生成、视频驱动、跨模态、分割、关键点等领域前沿技术
09-18 1031
Prompt-to-Prompt，google research出品，仅通过prompt，无需mask即可控制进行图像编辑。
diffusion model(十四)： prompt-to-prompt 深度剖析
weixin_40779727的博客
03-19 1382
基于扩散模型（
人人都能懂的 Prompt 技巧： Few-Shots 、 COT 、 SC、 TOT 、 Step-Back
oWuChenHua的博客
12-21 3203
CRISPE框架Zero-ShotFew-ShotsCOTSCTOTStep-BackPrompt 模式结果主观评分Zero-Shot花费大量时间思考不同可能的未来情景及其概率可能会令人着迷，但我建议尝试完全不同的方法——自己构建原型。首先，这非常具有挑战性和有趣。其次，它将帮助我们以更有结构的方式审视我们的工作。第三，它将为我们提供实践最先进方法之一——LLM代理的机会。
WWW2022 | 知识提示的预训练微调
zenRRan的博客
02-20 1448
每天给你送来NLP技术干货！来自：浙大KG一、引言最近一年以来蓬勃发展的自然语言处理新范式“提示学习”(Prompt Learning)，通过构造提示模板和标签映射，显著提升了模型的少样本...
Prompt-to-Prompt Image Editing with Cross Attention Control
qq_50465499的博客
05-26 643
我们的方法通过仅编辑文本提示来构建直观的图像编辑界面，因此称为Prompt-to-Prompt。这种方法可以实现各种编辑任务，否则具有挑战性，并且不需要模型训练、微调、额外数据或优化。在整个分析中，我们发现对生成过程的控制更多，认识到编辑提示和源图像的保真度之间的权衡。甚至我们证明，我们的方法可以通过使用现有的反演过程应用于真实图像。我们的实验和大量结果表明，我们的方法能够在极其多样化的图像上以直观的基于文本的方式无缝编辑。
探索未来交互方式：Google的Prompt-to-Prompt框架
最新发布
gitblog_00085的博客
03-23 374
探索未来交互方式：Google的Prompt-to-Prompt框架 项目地址:https://gitcode.com/google/prompt-to-prompt 在AI领域的一次创新尝试中，Google推出了一个名为Prompt-to-Prompt (P2P)的开源项目。这是一个深度学习框架，旨在通过自然语言提示实现模型间的直接对话和任务执行。本文将深入解析其技术原理、应用场景及独特特性，鼓...
条件控制生成——diffusion模型——Adding Conditional Control to Text-to-Image Diffusion Models
Hekena的博客
02-23 3047
先猜一下，为神魔会有这种方案出来？我想是因为end-2-end的调优是比较简单快速，而且效果相较而言还能够接受的一种，但是，在LLM上的微调，参数规模太大了，很难有效的调整，又能够适应小游玩家，又能提高效率，在LLM中加入条件控制语句就成了一种方案。文中还解释了一种场景，是在比较细节的调整中，比如人的姿势，如果使用prompt的方式的话，很难调整效果达到一个可接受的情况。controlnet的参数控制和另一种模型蒸馏好像有点关系，也是在模型中嫁梯子，达到最终的目标。架梯子好像有点意思啊，可以多想想。
pytorch-ensembles:深度学习中域内不确定性估计和组合的陷阱，ICLR 2020
05-03
PyTorch的官方实现： 深度学习中域内不确定性估计和集合的陷阱，ICLR'20 / / // 海报视频（5分钟） 环境设定 以下内容允许使用创建并运行具有所有必需依赖项的python环境： conda env create -f condaenv.yml ...
awesome-graph-networks:图模型和图网络的材料
05-08
真棒图网络 图模型和图网络的材料1.概率图模型幻灯片在课程首页中2.图神经网络（1）博客一个好的博客，介绍图covolutional网络（2）论文 具有快速局部光谱滤波的图形卷积神经网络（NIPS 2016） 图注意力网络（ICLR ...
MMT:[ICLR-2020]相互平均教学
03-21
我们进行了代码重构，以支持分布式培训和更多功能。请参阅 。 [2020年3月27日] 我们在撰写了有关该论文的中文博客。 [2020年3月20日] 我们支持基于DBSCAN的MMT ，它可以实现更好的性能。请注意，我们有效地加快了...
AIGC在营销图片生成技术综述
liangwqi的博客
01-29 2592
AIGC在营销素材生成中技术介绍，和实例尝试
Prompt-Tuning源码分析
发呆的比目鱼的博客
10-25 681
Prompt-Tuning源码分析
Prompt learning 教学[进阶篇]：简介Prompt框架并给出自然语言处理技术：Few-Shot Prompting、Self-Consistency等；项目实战搭建知识库内容机器人
丨汀、的博客
05-12 1719
其实我这个需求，在传统的机器人领域已经有现成方法，比如你应该看到不少电商客服产品，就有类似的功能，你说一句话，机器人就会回复你。这种传统的机器人，通常是基于意图去回答人的问题。举个例子，我们构建了一个客服机器人，它的工作原理简单说来是这样的：当用户问「忘记密码怎么办？」时，它会去找最接近这个意图「密码」，每个意图里会有很多个样本问题，比如「忘记密码如何找回」「忘记密码怎么办」，然后这些样本问题都会有个答案「点击 A 按钮找回密码」，机器人会匹配最接近样本问题的意图，然后返回答案。
【Prompt使用技巧】
检哥说IT的博客
04-16 1325
我介绍的技巧其实在各个场景都可以使用，我将其放在某个场景下解释，只是因为我觉得它更有可能在这个场景用到。你也会更容易记住这个用法。并不意味着这个技巧仅能在此场景使用。并且多技巧混用也是个不错的用法。
Prompt 编写模式：如何将思维框架赋予机器，以设计模式的形式来思考 prompt
CSDN资讯
03-24 1033
作者 | 黄峰达 责编 |王子彧出品 | Phodal（ID：phodal）如何理解 Prompt ？prompt 通常指的是一个输入的文本段落或短语，作为生成模型输出的起点或引导。prompt 可以是一个问题、一段文字描述、一段对话或任何形式的文本输入，模型会基于 prompt 所提供的上下文和语义信息，生成相应的输出文本。举个例子，对于一个语言模型，prompt 可以是 "The ca...
Crossformer: Transformer Utilizing Cross-Dimension Dependency for Multivariate Time Series、
07-27
Crossformer是一种利用交叉维度依赖性进行多元时间序列预测的Transformer模型。这个模型的动机是填补之前Transformer在处理多元时间序列时对不同变量之间关系刻画不足的问题。之前的Transformer更多地关注如何通过时间维度的注意力机制建立时序上的关系，而忽略了变量之间的关系。Crossformer通过引入时间维度和变量维度两个阶段的注意力机制来解决这个问题。特别是在变量维度上，Crossformer提出了一种高效的路由注意力机制。这篇论文填补了多元时间序列预测中变量关系建模的空白，并在ICLR2023中被提出。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *3* [【ICLR 2023】 CrossFormer增强多元时间序列建模能力](https://blog.csdn.net/qq_33431368/article/details/129483613)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [读论文《Crossformer：利用跨维度依赖进行多变量时间序列预测的Transform》](https://blog.csdn.net/vzvzvzv/article/details/131376526)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

沉迷单车的追风少年

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值