DALL·E 2 అంటే ఏమిటి?

DALL·E 2 అనేది ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ప్రోగ్రామ్, ఇది పాఠ్య వివరణల నుండి చిత్రాలను రూపొందిస్తుంది, దీనిని గురువారం OpenAI అనే పరిశోధనా సంస్థ వెల్లడించింది.

ఇది సహజ భాషా ఇన్‌పుట్‌లను అర్థం చేసుకోవడానికి మరియు సంబంధిత చిత్రాలను రూపొందించడానికి GPT-3 ట్రాన్స్‌ఫార్మర్ మోడల్ యొక్క 12-బిలియన్ పారామీటర్ శిక్షణ వెర్షన్‌ను ఉపయోగిస్తుంది. ఉదాహరణకు, 'ఒక చిన్న కుక్క యొక్క నలుపు మరియు తెలుపు ఫోటో' అనే వాక్యాన్ని అందించినప్పుడు, అది చువావా యొక్క నలుపు మరియు తెలుపు చిత్రాన్ని సరిగ్గా రెండర్ చేసింది.

సిస్టమ్ ఖచ్చితమైనది కాదు - ఇది కొన్నిసార్లు అర్థం చేసుకోవడం కష్టంగా ఉండే లేదా పూర్తిగా గుర్తుకు రాని చిత్రాలను ఉత్పత్తి చేస్తుంది. ఉదాహరణకు, 'ఒక వ్యక్తి అగ్నిపర్వతంపై బిగుతుగా యునిసైకిల్‌ను నడుపుతున్న' చిత్రాన్ని రూపొందించమని అడిగినప్పుడు, అది ఒక (అందమైనది, నా అభిప్రాయం ప్రకారం) ముందుభాగంలో చిన్న బొమ్మతో నీటిపై సూర్యాస్తమయం యొక్క పూర్తి సంబంధం లేని చిత్రాన్ని రూపొందించింది. .

అయినప్పటికీ, ఫలితాలు ఆకట్టుకునేలా ఉన్నాయి మరియు OpenAI DALL·E 2 'వృత్తిపరమైన వివరణల నుండి చిత్రాలను రూపొందించిన మొదటి AI మోడల్, ఇది వృత్తిపరమైన మానవ కళాకారుల నాణ్యతకు పోటీగా ఉంటుంది.'

ఈ సిస్టమ్ టెక్స్ట్-ఇమేజ్ జతల డేటాసెట్‌పై శిక్షణ పొందింది, ఇందులో 1.3 మిలియన్ ఇమేజ్‌లు మరియు ఓపెన్‌ఏఐ ద్వారా స్క్రాప్ చేయబడిన మరియు క్యూరేట్ చేయబడిన ఇంటర్నెట్ నుండి క్యాప్షన్‌లు ఉన్నాయి. శిక్షణ డేటా GPT-3 మోడల్‌ను చక్కగా ట్యూన్ చేయడానికి ఉపయోగించబడింది, తద్వారా ఇది వచన వివరణల నుండి చిత్రాలను రూపొందించగలదు.

వియుక్త, కాంక్రీటు లేదా కవితాత్మకమైన వాటితో సహా అనేక రకాల వచన వివరణల నుండి సిస్టమ్ 'అధిక-నాణ్యత' చిత్రాలను రూపొందించగలదని OpenAI తెలిపింది.

చివావా ఉదాహరణతో పాటు, DALL·E 2 రూపొందించిన చిత్రాలకు ఇతర ఉదాహరణలలో అడాల్ఫ్ హిట్లర్ యొక్క సరిగ్గా రెండర్ చేయబడిన పోర్ట్రెయిట్, కూరగాయలతో చేసిన డ్రాగన్ చిత్రం మరియు టోస్ట్‌తో చేసిన మోనాలిసా చిత్రం ఉన్నాయి.

వ్యవస్థ 'ఫ్లోఫ్' (ఒక నిర్మిత జంతువు) లేదా 'తుల్పా' (ఆలోచన రూపం) వంటి ఉనికిలో లేని వస్తువుల చిత్రాలను కూడా రూపొందించగలదు.

మొత్తంమీద, ఫలితాలు ఆకట్టుకునేలా ఉన్నాయి మరియు సిస్టమ్ 'టెక్స్ట్‌వల్ డిస్క్రిప్షన్‌ల నుండి ఇమేజ్‌లను రూపొందించడానికి కొత్త అవకాశాలను తెరుస్తుంది' అని OpenAI చెప్పింది.

E 2 నుండి ఈ CLIP-వ్యవస్థ వచన సమాచారాన్ని దృశ్య సమాచారంగా మారుస్తుంది. ఇది ఎన్‌కోడర్-డీకోడర్ నమూనా, అంటే ఇన్‌పుట్ టెక్స్ట్ అందించబడినప్పుడు, అది మొదట మెషిన్ ఇన్‌పుట్‌గా మార్చబడుతుంది, తర్వాత సిస్టమ్ ద్వారా ప్రాసెస్ చేయబడుతుంది మరియు చివరకు డీకోడర్‌కు పంపబడుతుంది, ఇది ఎన్‌కోడ్ చేసిన డేటాను ఇమేజ్‌గా మారుస్తుంది.

DALL·E 2 అంటే ఏమిటి?

ఇది DALL·E యొక్క తాజా తరం, ఇది పూర్తిగా కొత్త విజువల్ ఎఫెక్ట్‌లను రూపొందించడానికి పదబంధాలను ఉపయోగించే ఒక ఉత్పాదక భాషా నమూనా. DALL E 2 ఒక భారీ 3.5V మోడల్, అయినప్పటికీ GPT-3 వలె పెద్దది కాదు. ఆసక్తికరంగా, ఇది దాని ముందున్న (12B) కంటే కూడా తేలికైనది. వివరణ అమరిక మరియు ఫోటోరియలిజం పరంగా, DALL·E 2 దాని పెద్ద పరిమాణంలో ఉన్నప్పటికీ DALL·E 2 కంటే 70% మెరుగ్గా ఉంది.

DALL.E 2- ఉదాహరణలతో ప్రారంభకులకు వివరణ

ప్రత్యేకంగా, DALL·E 2 అనేది క్రమానుగత షరతులతో కూడిన టెక్స్ట్ ఇమేజ్ సింథసిస్ మోడల్, ఇది సహజ భాషా ప్రాసెసింగ్ కోసం లోతైన అభ్యాసాన్ని మరియు ఇమేజ్ ఉత్పత్తి కోసం కంప్యూటర్ దృష్టిని మిళితం చేస్తుంది. దీని లక్ష్యం రెండు మోడళ్లకు శిక్షణ ఇవ్వడం మరియు శిక్షణా సెట్‌లో జత చేసిన చిత్రాలు మరియు వివరణలు ఉంటాయి. మొదటిది, ఒక వ్రాతపూర్వక శీర్షికతో, CLIP చిత్రాన్ని పొందుపరచడానికి శిక్షణ పొందవచ్చు. CLIP ఇమేజ్‌ను పొందుపరిచేటప్పుడు (మరియు క్యాప్షన్, ఉన్నట్లయితే) శిక్షణ పొందిన చిత్రాన్ని రూపొందించగల డీకోడర్‌ని మేము కలిగి ఉన్నాము.

DALLE 2 ఇంటర్నెట్ నుండి క్యాప్షన్‌లతో వందల మిలియన్ల ఫోటోలను ఉపయోగించి శిక్షణ పొందింది మరియు మోడల్ నేర్చుకునే వాటిని మార్చడానికి ఆ చిత్రాలలో కొన్ని తీసివేయబడ్డాయి మరియు మార్చబడ్డాయి. ఇది బహుళ చిత్ర ఎంపికలను తిరిగి పొందుతుంది CLIP జోడింపులు ఆపై దాన్ని ఉపయోగించండి డీకోడర్ వాటిలో ప్రతి ఒక్కటి గుండా వెళ్ళండి. ఇది వినియోగదారు ఇన్‌పుట్ ఇచ్చిన మొత్తం సమాచారం యొక్క ఆసక్తికరమైన మిశ్రమాన్ని సృష్టిస్తుంది.

ఉదాహరణ DALL IS 2

DALL·E అర్థం చేసుకోవడానికి ఒక చిన్న గేమ్ ఆడదాం. దానిని తదుపరి మూడు దశలుగా విభజిద్దాము.

1. నీలి ఆకాశంలో రెయిన్‌బోలు, మేఘాలు మరియు యునికార్న్‌లు ఎగురుతున్నాయని ఊహించుకోండి. మీ ఊహలో ఒక చిత్రం ఎలా ఉంటుందో ఊహించండి. పొందుపరిచిన చిత్రం యొక్క ఖచ్చితమైన అనలాగ్‌కు ప్రజలు అత్యంత సన్నిహితంగా ఉంటారు మరియు మీ తలపైకి వచ్చిన చిత్రం దానికి సరైన ఉదాహరణ. మీరు తుది ఉత్పత్తి గురించి మాత్రమే ఊహించగలరు, కానీ మీరు ఏమి చేర్చాలి అనే దాని గురించి మీకు మంచి ఆలోచన ఉంది. ఒక ప్రియోరి మోడల్ పాఠకులను ఒక పదబంధంలోని పదాల నుండి అతని లేదా ఆమె ఊహలోని సన్నివేశానికి తీసుకువెళుతుంది.
2. ఇప్పుడు మీరు డ్రాయింగ్ ప్రారంభించవచ్చు. అన్‌క్లిప్ చేసేది మీ మానసిక చిత్రాన్ని నిజమైన స్కెచ్‌గా మార్చడం. ఇప్పుడు మీరు అదే వివరణ నుండి, అదే ప్రాథమిక గణాంకాలతో, కానీ పూర్తిగా కొత్త దృశ్య శైలితో మరొక అక్షరాన్ని ఖచ్చితంగా పునఃసృష్టించవచ్చు. DALL·E 2 ఈ విధంగా పొందుపరిచిన ఇప్పటికే ఉన్న ఇమేజ్ నుండి ప్రత్యేకమైన చిత్రాలను కూడా రూపొందించగలదు.
3. మీరు రూపొందించిన స్కెచ్‌పై శ్రద్ధ వహించండి. మీరు 'మేఘాల మధ్యలో ఒక యునికార్న్, మరియు ఆకాశానికి వ్యతిరేకంగా ఒక ఇంద్రధనస్సు పెరుగుతుంది' అనే వర్ణనను మీరు గీసినప్పుడు ఇది జరుగుతుంది. ఇప్పుడు చిత్రం మరియు వచనాన్ని పరిశీలించి, మరొకటి (సూర్యుడు, ఇల్లు, చెట్టు మొదలైనవి) ఏది ఉత్తమంగా వివరిస్తుందో మరియు విషయం, శైలి, రంగులు మొదలైనవాటిని ఏది ఉత్తమంగా వివరిస్తుంది. CLIP చేసేది లక్షణాలను ఎన్‌కోడ్ చేయడం. వచనం మరియు చిత్రాలు.

DALL-E అంటే ఏమిటో ఇప్పుడు మనకు తెలుసు, తదుపరి విభాగానికి వెళ్లి దాని లక్షణాలను అర్థం చేసుకుందాం.

చిట్కా: DALL-E-2 AI సేవతో వాస్తవిక చిత్రాలను ఎలా సృష్టించాలి

DALL E 2 ఫీచర్లు

DALL·E 2 యొక్క స్పెసిఫికేషన్‌లు క్రింద ఉన్నాయి.

1. వైవిధ్యాలు
2. కలరింగ్
3. టెక్స్ట్ తేడాలు

వాటి గురించి వివరంగా మాట్లాడుకుందాం.

పదం 2010 లో వ్యాపార కార్డులను ఎలా తయారు చేయాలి

1] వైవిధ్యాలు

DALL·E 2 కేవలం ఒక వాక్యాన్ని చిత్రంగా అనువదించడాన్ని మించిపోయింది. OpenAI ఉత్పాదక ప్రక్రియతో ప్రయోగాలు చేయగలదు, బలమైన CLIP ఎంబెడ్డింగ్‌ల కారణంగా ఇచ్చిన సంతకం కోసం విభిన్న ఫలితాలను అందిస్తుంది. CLIP దాని 'మనస్సు'లో ఏమి 'చూస్తుంది' అనేది ఇన్‌పుట్ నుండి ముఖ్యమైనదిగా పరిగణించబడుతుంది (అన్ని చిత్రాలకు ఒకే విధంగా ఉంటుంది) మరియు ఏది భర్తీ చేయవచ్చు (వివిధ చిత్రాలకు ఇది మారుతుంది). సాధ్యమైనప్పుడల్లా, DALL·E 2 'అర్ధవంతమైన సమాచారం...మరియు సౌందర్య అంశాలు' రెండింటినీ కలిగి ఉంటుంది.

2] కలరింగ్

DALL·E 2 ఇప్పటికే ఉన్న ఫోటోలను ఆటోమేటిక్ ఫిల్‌తో సవరించగలదు. కింది ఉదాహరణలో, ఎడమ చిత్రం అసలైన చిత్రం, మరియు మధ్య మరియు కుడి ఫోటోలు వేర్వేరు ప్రదేశాల్లో ఎలిమెంట్‌ను గీసాయి. DALL·E 2 చిత్ర శైలికి అదనపు మూలకంతో సరిపోలుతుంది. ఇది కొత్త మూలకాన్ని ప్రతిబింబించేలా అల్లికలు మరియు ప్రతిబింబాలను కూడా నవీకరిస్తుంది.

చదవండి : మీరు ChatGPTతో ఏమి చేయవచ్చు

3] టెక్స్ట్ తేడాలు

DALL·E 2 వచన వ్యత్యాసాలను ఉపయోగించి చిత్రాలను మారుస్తుంది. DALL·E 2 మీరు వస్తువులను సవరించడానికి అనుమతించే అధునాతన ఇంటర్‌పోలేషన్ సామర్థ్యాలను కూడా కలిగి ఉంది. ఒక ట్విట్టర్ వినియోగదారు తన ఐఫోన్‌ను 'అన్‌మార్డెనైజ్' చేయగలిగాడు. twitter.com దాన్ని తనిఖీ చేయడానికి.

మీరు ఈ లక్షణాలను ఇష్టపడితే, మీరు చేయాల్సిందల్లా దీనికి వెళ్లండి openai.com ఆపై నమోదు చేయండి. మీరు కొత్త ఖాతాను సృష్టించవచ్చు లేదా సైన్ అప్ చేయడానికి ఇప్పటికే ఉన్న మీ Microsoft లేదా Google ఖాతాలను ఉపయోగించవచ్చు. మీరు అలా చేసిన తర్వాత, మీరు కొన్ని ఉచిత క్రెడిట్‌లను పొందుతారు, మీకు ఇంకా ఎక్కువ కావాలంటే, మీరు దాని కోసం చెల్లించాలి.

ఇవి DALL·E 2 యొక్క కొన్ని లక్షణాలు, ఇది చాలా గొప్ప ఉపయోగ సందర్భాలను కలిగి ఉంది, అయినప్పటికీ AI సాధనాలపై ఎక్కువగా ఆధారపడకూడదని ఎల్లప్పుడూ సిఫార్సు చేయబడింది. అన్నింటికంటే, అవి పనిని పూర్తి చేయడానికి ఉపయోగించే సాధనాలు తప్ప మరేమీ కాదు, అవి ఒక వ్యక్తి యొక్క భావోద్వేగ మేధస్సును ఎప్పటికీ భర్తీ చేయలేవు.

ఇది కూడా చదవండి: ఉత్తమ డీప్‌ఫేక్ యాప్‌లు, సాఫ్ట్‌వేర్ మరియు వెబ్‌సైట్‌లు.