Programa do Curso

Introdução às tecnologias avançadas Stable Diffusion

  • Panorâmica da arquitetura e dos componentes de Stable Diffusion
  • Aprendizagem profunda para a geração de texto-imagem: análise dos modelos e técnicas mais avançados
  • Cenários e casos de utilização de Stable Diffusion avançado

Técnicas avançadas de geração de texto-imagem com Stable Diffusion

  • Modelos generativos para síntese de imagens: GANs, VAEs e suas variações
  • Geração de imagens condicionais com entradas de texto: modelos e técnicas
  • Geração multimodal com múltiplas entradas: modelos e técnicas
  • Controlo fino da geração de imagens: modelos e técnicas

Otimização do desempenho e escalonamento para Stable Diffusion

  • Otimização e escalonamento de Stable Diffusion para grandes conjuntos de dados
  • Paralelismo de modelos e paralelismo de dados para formação de elevado desempenho
  • Técnicas para reduzir o consumo de memória durante o treinamento e a inferência
  • Técnicas de quantização e poda para implantação eficiente de modelos

Afinação e generalização de hiperparâmetros com Stable Diffusion

  • Técnicas de ajuste de hiperparâmetros para modelos Stable Diffusion
  • Técnicas de regularização para melhorar a generalização do modelo
  • Técnicas avançadas para lidar com viés e equidade em modelos Stable Diffusion

Integrando Stable Diffusion com outros Deep Learning frameworks e ferramentas

  • Integrando Stable Diffusion com PyTorch, TensorFlow e outros frameworks de aprendizado profundo
  • Técnicas avançadas de implementação para modelos Stable Diffusion
  • Técnicas avançadas de inferência para modelos Stable Diffusion

Depuração e resolução de problemas de modelos Stable Diffusion

  • Técnicas para diagnosticar e resolver problemas em modelos Stable Diffusion
  • Depuração de modelos Stable Diffusion: dicas e práticas recomendadas
  • Monitorização e análise de modelos Stable Diffusion

Resumo e próximos passos

  • Revisão dos principais conceitos e tópicos
  • Sessão de perguntas e respostas
  • Próximos passos para utilizadores avançados de Stable Diffusion.

Requisitos

  • [Conhecimento profundo dos conceitos e arquitecturas de aprendizagem profunda
  • Familiaridade com Stable Diffusion e geração de texto-imagem
  • Experiência com programação PyTorch e Python

Público-alvo

  • Cientistas de dados e engenheiros de aprendizagem automática
  • Investigadores de aprendizagem profunda
  • Especialistas em visão computacional.
 21 Horas

Número de participantes


Preço por Participante

Próximas Formações Provisórias

Categorias Relacionadas