찾다
기술 주변기기일체 포함Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

최근 칭화대학교 컴퓨터과학과 Zhu Jun 교수 연구팀이 발표한 슈뢰딩거 다리[1] 기반 음성 합성 시스템은 "데이터- 데이터에 대한" 생성 패러다임 "잡음에 대한 데이터" 패러다임.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

문서 링크: https://arxiv.org/abs/2312.03491
프로젝트 웹사이트: https://bridge-tts.github.io/
코드 구현: https://github.com/thu -ml/Bridge-TTS

문제 배경

2021년부터 텍스트-음성 합성(text-to-speech) 분야에서는 확산 모델이 가장 인기를 끌기 시작했습니다. , TTS) Huawei의 Noah's Ark Laboratory에서 제안한 Grad-TTS [2]와 Zhejiang University에서 제안한 DiffSinger [3]와 같은 핵심 생성 방법 중 하나가 높은 생성 품질을 달성했습니다. 그 이후로 많은 연구 작업에서 사전 최적화[2, 3, 4], 모델 증류[5, 6], 잔차 예측[7] 및 기타 방법을 통해 확산 모델의 샘플링 속도를 효과적으로 향상시켰습니다. 그러나 본 연구에서 보듯이 확산 모델은 "noise to data"라는 생성 패러다임에 국한되어 있기 때문에 사전 분포는 항상 생성 대상에 대한 제한된 정보를 제공하며 조건 정보를 충분히 활용할 수 없습니다.

음성 합성 분야의 최신 연구 작업인 Bridge-TTS는 슈뢰딩거 브리지 기반 생성 프레임워크를 사용하여 "데이터-데이터" 생성 프로세스를 최초로 실현합니다. 음성 합성의 사전 정보입니다. 노이즈에서 클린 데이터로 수정되고 는 분포에서 결정적 표현으로 수정됩니다.

이 방법의 주요 아키텍처는 위 그림에 나와 있습니다. 먼저 텍스트 인코더를 통해 입력 텍스트를 추출하여 생성된 대상의 잠재 공간 표현(멜-스펙트로그램, 멜 스펙트럼)을 추출합니다. 이후 이 정보를 잡음 분포에 통합하거나 조건 정보로 사용하는 확산 모델과 달리 Bridge-TTS 방식은 이를 직접 사전 정보로 활용하고 무작위 또는 결정적 샘플링을 지원하여
고품질, 고속
타겟 생성을 지원합니다.

작업 결과

음성 합성 품질 검증을 위한 표준 데이터 세트인 LJ-Speech에서 연구팀은 9개의 고품질 음성 합성 시스템과 확산 장치로 Bridge-TTS를 가속화했습니다. 모델 샘플링 방법을 비교했습니다. 아래에 표시된 것처럼 이 방법은
샘플 품질
(1000단계, 50단계 샘플링) 및 후처리 없이 샘플링 속도에서 고품질 확산 모델 기반 TTS 시스템[2, 3, 7]을 능가합니다. 추가 모델 증류와 같이 잔차 예측, 점진적 증류 및 최신 합의 증류와 같은 많은 가속 방법을 능가합니다 [5, 6, 7].
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.다음은 Bridge-TTS의 생성 효과와 확산 모델 기반 방법의 예입니다. 더 많은 세대 샘플 비교를 보려면 프로젝트 웹사이트(https://bridge-tts.github.io/
)를 방문하세요.

  • 1000단계 합성 효과 비교

  • 텍스트 입력: "그러면 우리의 목적에 따라 인쇄는 활자를 통해 책을 만드는 예술로 간주될 수 있습니다."
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.
  • 4 단계 합성 효과 비교

  • 입력 텍스트: "첫 번째 책은 검은색 글자로 인쇄되었습니다. 즉, 고대 로마 문자의 고딕 발전 문자입니다."
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.
  • 2
    단계 합성 효과 비교

입력 텍스트: "교도소 인구는 크게 변동했습니다."
다음은 Bridge-의 결정론적 합성(ODE 샘플링)을 보여줍니다. 2단계 TTS와 4단계 )의 경우입니다. 4단계 합성에서 이 방법은 확산 모델에 비해 훨씬 더 많은 샘플 세부 사항을 합성하며 잔류 노이즈 문제도 없습니다. 2단계 합성에서 이 방법은 완전히 순수한 샘플링 궤적을 나타내며 각 단계에서 생성된 세부 정보를 더 구체화합니다. Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.주파수 영역에서는 1000단계의 합성에서 더 많은 샘플이 생성되며, 이 방법은 샘플링 단계를 50단계로 줄였을 때 확산 모델에 비해 더 높은 품질의 멜 스펙트럼을 생성합니다. 확산 모델은 일부 샘플링 세부 사항을 희생했지만 Schrödinger 브리지 기반 방법은 여전히 ​​고품질 생성 결과를 유지합니다. 4단계 및 2단계 합성에서 이 방법은 증류, 다단계 학습, 적대적 손실 함수가 필요하지 않으며 여전히 고품질 생성 효과를 달성합니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

1000단계 합성에서 Bridge-TTS와 확산모델 기반 방법의 Mel 스펙트럼 비교

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

50단계 합성에서 Bridge-TTS와 확산 모델 기반 방법 확산 모델 방법의 멜 스펙트럼 비교

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

4단계 합성에서 Bridge-TTS와 확산 모델 기반 방법의 Mel 스펙트럼 비교
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.
2단계 합성에서는 Bridge-TTS와 확산 기반 방법 방법 모델 방법의 멜 스펙트럼 비교

Bridge-TTS는 출시 당시 참신한 디자인과 음성 합성의 고품질 합성 효과로 트위터에서 뜨거운 관심을 받았으며 수백 개가 넘는 댓글을 받았습니다. 100개의 리트윗과 수백 개의 좋아요를 받은 허깅페이스는 12.7일 허깅페이스 데일리 페이퍼에 선정돼 이날 지지율 1위를 차지함과 동시에 링크드인, 웨이보, 지후 등 국내외 다수 플랫폼에서 팔로우를 기록했다. Xiaohongshu 및 앞으로 보고서.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

많은 외국어 사이트에서도 보고되고 논의되었습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

방법 소개

슈뢰딩거 브리지는 확산 모델에 이어 최근에 등장한 모델 중 하나입니다. deep generative model은 이미지 생성, 이미지 번역 및 기타 분야에 예비 적용됩니다[8,9]. 데이터와 가우스 노이즈 간의 변환 프로세스를 설정하는 확산 모델과 달리 슈뢰딩거 브리지는 두 경계 분포 간의 변환을 지원합니다. Bridge-TTS 연구에서 저자는 다양한 순방향 프로세스, 예측 대상 및 샘플링 프로세스를 유연하게 지원하는 쌍 데이터 간의 Schrödinger 브리지를 기반으로 하는 음성 합성 프레임워크를 제안했습니다. 해당 방법의 개요는 아래 그림에 나와 있습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

  • 전진 프로세스: 이 연구는 강력한 정보 사전 정보와 생성 목표 사이에 완전히 해결 가능한 슈뢰딩거 브리지를 구축하여 유연한 전진 프로세스를 지원합니다. 대칭 노이즈 중에서 선택합니다. 전략: Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다., 상수Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.비대칭 잡음 전략: Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다., 선형Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다. 및 확산 모델에 직접적으로 대응하는 분산 보존(VP)잡음 전략. 이 방법은 음성 합성 작업에서 비대칭 잡음 전략: 선형 Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.(gmax) 및 VP 프로세스가 대칭 잡음 전략보다 더 나은 생성 효과를 갖는다는 것을 발견했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

  • 모델 훈련: 이 방법은 단일 단계, 단일 모델, 단일 손실 함수 등 확산 모델 훈련 프로세스의 여러 장점을 유지합니다. 그리고 잡음 예측(Noise), 생성 목표 예측(Data), 확산 모델에 대응하는 흐름 매칭 기술 등 다양한 모델 매개변수화(Model paramization), 즉 네트워크 훈련 대상 선정 방법을 비교한다[10,11 ] 속도예측(Velocity) 등 기사에서는 생성 대상, 즉 멜 스펙트럼을 네트워크 예측 대상으로 사용할 경우 상대적으로 더 나은 생성 결과를 얻을 수 있음을 발견했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

  • Sampling process: 본 연구에서는 슈뢰딩거 브리지의 완전히 해결 가능한 형태 덕분에 슈뢰딩거 브리지에 해당하는 전방향-후진 SDE 시스템을 변환하여 저자는 브리지 SDE와 추론에는 Bridge ODE가 사용됩니다. 동시에 Bridge SDE/ODE 추론의 직접 시뮬레이션 속도가 느리기 때문에 샘플링 속도를 높이기 위해 본 연구에서는 확산 모델에서 일반적으로 사용되는 지수 적분기를 사용했으며[12,13], 1차 슈뢰딩거 브리지의 SDE 및 ODE 샘플링 형식:

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

1단계 샘플링에서는 1차 SDE와 ODE의 샘플링 형식이 공동으로 네트워크의 단일 단계 예측으로 변질됩니다. 동시에 이는 사후 샘플링/확산 모델인 DDIM 샘플링과 밀접한 관련이 있으며, 기사에서는 부록에서 자세한 분석을 제공합니다. 이 기사에서는 슈뢰딩거 브리지의 2차 샘플링 SDE 및 ODE 샘플링 알고리즘도 제공합니다. 저자는 음성 합성에서 생성 품질이 1차 샘플링 프로세스와 유사하다는 것을 발견했습니다.

음성 향상, 음성 분리, 음성 편집 등 사전 정보가 강한 기타 작업에서도 저자는 이 연구가 더 큰 응용 가치를 가져올 것으로 기대합니다.

저자 소개

이 연구에는 세 명의 공동 제1저자가 있습니다: Chen Zehua, He Guande 및 Zheng Kaiwen은 모두 Tsinghua University 컴퓨터 과학과의 Zhu Jun 연구 그룹에 속합니다. 해당 기사의 교신저자는 Microsoft Asia Research의 Zhu Jun 교수이며 연구소의 수석 연구 관리자인 Tan Xu는 프로젝트 공동 작업자입니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

                                                                                                                                                                      Tan Xu, Microsoft Research Asia 수석 연구 관리자, 음향 효과, 생체 전기 신호 합성 및 기타 애플리케이션. 그는 Microsoft, JD.com, TikTok 등 여러 회사에서 인턴으로 일했으며 ICML/NeurIPS/ICASSP 등 음성 및 기계 학습 분야의 중요한 국제 회의에서 많은 논문을 발표했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

He Guande는 칭화대학교 석사 3학년 학생입니다. 그의 주요 연구 방향은 불확실성 추정 및 생성 모델입니다. 그는 이전에 ICLR과 같은 컨퍼런스에서 첫 번째 저자로 논문을 발표했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

Zheng Kaiwen은 칭화 대학교 석사 2년차 학생입니다. 그의 주요 연구 방향은 심층 생성 모델의 이론과 알고리즘, 그리고 이미지, 오디오 및 3D 생성에 대한 응용입니다. 그는 이전에 ICML/NeurIPS/CVPR과 같은 주요 컨퍼런스에서 확산 모델의 흐름 일치 및 지수 적분기와 같은 기술과 관련된 많은 논문을 발표했습니다.

참고 자료:
[1] Zehua Chen, Guande He, Kaiwen Zheng, Xu Tan 및 Jun Zhu는 텍스트-음성 합성에서 확산 모델을 이겼습니다. :2312.03491, 2023.
[2] Vadim Popov, Ivan Vovk, Vladimir Gogoryan, Tasnima Sadekova 및 Mikhail A. Kudinov: 텍스트 음성 변환을 위한 확산 확률 모델, 2021.
[3] Jinglin Liu, Chengxi Li, Yi Ren, Feiyang Chen 및 Zhou Zhao: AAAI에서 얕은 확산 메커니즘을 통한 노래 음성 합성, 2022.
[ 4 ] 이상길, 김희승, 신채훈, Xu Tan, Chang Liu, Qi Meng, Tao Qin, Wei Chen, 윤성로, Tie-Yan Liu. PriorGrad: 데이터 종속 적응형 사전을 사용한 조건부 노이즈 제거 확산 모델 개선 . ICLR, 2022.
[5] Rongjie Huang, Zhou Zhao, Huadai Liu, Jinglin Liu, Chenye Cui 및 Yi Ren: 고품질 텍스트 음성 변환을 위한 점진적 고속 확산 모델. ACM 멀티미디어, 2022.
[6] Zhen Ye, Wei Xue, Xu Tan, Jie Chen, Qifeng Liu 및 Yike Guo. ACM 멀티미디어의 일관성 모델을 통한 원스텝 음성 및 노래 음성 합성. , 2023.
[7] Zehua Chen, Yihan Wu, Yichong Leng, Jiawei Chen, Haohe Liu, Xu Tan, Yang Cui, Ke Wang, Lei He, Sheng Zhao, Jiang Bian 및 Danilo P. Mandic ResGrad: 텍스트 음성 변환을 위한 잔류 노이즈 제거 확률 모델. arXiv 사전 인쇄 arXiv:2212.14518, 2022.
[8] Yuyang Shi, Valentin De Bortoli, Andrew Campbell 및 Arnaud Doucet. 에서 NeurIPS 2023.
[9] Guan-Horng Liu, Arash Vahdat, De-An Huang, Evangelos A. Theodorou, Weili Nie 및 Anima Anandkumar: 이미지 간 슈뢰딩거 브리지. 2023.
[10] Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu, Maximilian Nickel 및 Matt Le. ICLR의 생성 모델링, 2023.
[11] Kaiwen Zheng, Cheng Lu, Jianfei Chen 및 Jun Zhu. ICML의 최대 가능성 추정을 위한 향상된 기술, 2023.
[12] Cheng Lu, Yuhao Zhou, Fan Bao, Jianfei Chen, Chongxuan Li 및 Jun Zhu: 약 10단계의 확산 확률 모델 샘플링을 위한 빠른 ODE 솔버. In NeurIPS, 2022.
[13] Kaiwen Zheng, Cheng Lu, Jianfei Chen 및 Jun Zhu . DPM-Solver-v3: NeurIPS에서 경험적 모델 통계를 사용하여 향상된 확산 ODE 솔버, 2023.

위 내용은 Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

성명
이 기사는 机器之心에서 복제됩니다. 침해가 있는 경우 admin@php.cn으로 문의하시기 바랍니다. 삭제
AI 내부 배포의 숨겨진 위험 : 거버넌스 격차 및 치명적인 위험AI 내부 배포의 숨겨진 위험 : 거버넌스 격차 및 치명적인 위험Apr 28, 2025 am 11:12 AM

Apollo Research의 새로운 보고서에 따르면 고급 AI 시스템의 점검되지 않은 내부 배치는 상당한 위험을 초래합니다. 주요 AI 기업들 사이에서 널리 퍼져있는 이러한 감독 부족은 uncont에서 범위에 이르는 잠재적 인 치명적인 결과를 허용합니다.

AI Polygraph 구축AI Polygraph 구축Apr 28, 2025 am 11:11 AM

전통적인 거짓말 탐지기는 구식입니다. 손목 대역으로 연결된 포인터에 의존하는 것은 대상의 활력 징후와 물리적 반응을 인쇄하는 거짓말 탐지기가 거짓말을 식별하는 데 정확하지 않습니다. 그렇기 때문에 거짓말 탐지 결과는 일반적으로 법원에서 채택되지는 않지만 많은 무고한 사람들이 감옥에 갇히게되었습니다. 대조적으로, 인공 지능은 강력한 데이터 엔진이며, 작동 원리는 모든 측면을 관찰하는 것입니다. 이것은 과학자들이 다양한 방식으로 진실을 찾는 응용 분야에 인공 지능을 적용 할 수 있음을 의미합니다. 한 가지 방법은 거짓말 탐지기처럼 심문을받는 사람의 중요한 부호 반응을 분석하지만보다 상세하고 정확한 비교 분석을 분석하는 것입니다. 또 다른 방법은 언어 마크 업을 사용하여 사람들이 실제로 말하는 것을 분석하고 논리와 추론을 사용하는 것입니다. 말이 갈 때, 한 거짓말은 또 다른 거짓말을 번식시키고 결국

항공 우주 산업에서 AI가 이륙을 위해 청산 되었습니까?항공 우주 산업에서 AI가 이륙을 위해 청산 되었습니까?Apr 28, 2025 am 11:10 AM

혁신의 선구자 인 항공 우주 산업은 AI를 활용하여 가장 복잡한 도전을 해결하고 있습니다. Modern Aviation의 복잡성 증가는 AI의 자동화 및 실시간 인텔리전스 기능이 필요합니다.

베이징의 봄 로봇 레이스를보고 있습니다베이징의 봄 로봇 레이스를보고 있습니다Apr 28, 2025 am 11:09 AM

로봇 공학의 빠른 발전은 우리에게 매혹적인 사례 연구를 가져 왔습니다. Noetix의 N2 로봇의 무게는 40 파운드가 넘고 키가 3 피트이며 백 플립을 할 수 있다고합니다. Unitree의 G1 로봇의 무게는 N2 크기의 약 2 배이며 키는 약 4 피트입니다. 경쟁에 참여하는 작은 휴머노이드 로봇도 많으며 팬이 앞으로 나아가는 로봇도 있습니다. 데이터 해석 하프 마라톤은 12,000 명 이상의 관중을 끌어 들였지만 21 명의 휴머노이드 로봇 만 참여했습니다. 정부는 참여 로봇이 경쟁 전에 "집중 훈련"을 수행했다고 지적했지만 모든 로봇이 전체 경쟁을 완료 한 것은 아닙니다. 챔피언 -Tiangong Ult Beijing Humanoid Robot Innovation Center가 개발했습니다.

거울 함정 : AI 윤리와 인간 상상력의 붕괴거울 함정 : AI 윤리와 인간 상상력의 붕괴Apr 28, 2025 am 11:08 AM

인공 지능은 현재 형태로 진정으로 지능적이지 않습니다. 기존 데이터를 모방하고 정제하는 데 능숙합니다. 우리는 인공 지능을 만들지 않고 오히려 인공적인 추론을 만들고 있습니다.

새로운 Google Leak은 Handy Google 사진 기능 업데이트가 공개됩니다새로운 Google Leak은 Handy Google 사진 기능 업데이트가 공개됩니다Apr 28, 2025 am 11:07 AM

보고서에 따르면 Google Photos Android 버전 7.26 코드에 업데이트 된 인터페이스가 숨겨져 있으며 사진을 볼 때마다 새로 감지 된 얼굴 썸네일 행이 화면 하단에 표시됩니다. 새로운 얼굴 썸네일에는 이름 태그가 없으므로 탐지 된 각 사람에 대한 자세한 정보를 보려면 개별적으로 클릭해야한다고 생각합니다. 현재이 기능은 Google 사진이 이미지에서 찾은 사람들 외에는 정보를 제공하지 않습니다. 이 기능은 아직 사용할 수 없으므로 Google이 어떻게 정확하게 사용할 것인지 모릅니다. Google은 썸네일을 사용하여 선택된 사람들의 더 많은 사진을 찾는 속도를 높이거나 편집 할 개인을 선택하는 것과 같은 다른 목적으로 사용될 수 있습니다. 기다렸다가 보자. 지금은

강화 조정 안내서 - 분석 Vidhya강화 조정 안내서 - 분석 VidhyaApr 28, 2025 am 09:30 AM

강화 결합은 인간의 피드백을 기반으로 조정하도록 모델을 가르치면서 AI 개발을 흔들었다. 감독 학습 기초가 보상 기반 업데이트와 혼합되어 더 안전하고 정확하며 진정으로 도움을줍니다.

Let 's Dance : 인간 신경 그물을 미세 조정하기위한 구조화 된 움직임Let 's Dance : 인간 신경 그물을 미세 조정하기위한 구조화 된 움직임Apr 27, 2025 am 11:09 AM

과학자들은 C. el 그러나 중요한 질문이 발생합니다. 새로운 AI S와 함께 효과적으로 작동하도록 우리 자신의 신경망을 어떻게 조정합니까?

See all articles

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

Video Face Swap

Video Face Swap

완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!

뜨거운 도구

SublimeText3 Mac 버전

SublimeText3 Mac 버전

신 수준의 코드 편집 소프트웨어(SublimeText3)

mPDF

mPDF

mPDF는 UTF-8로 인코딩된 HTML에서 PDF 파일을 생성할 수 있는 PHP 라이브러리입니다. 원저자인 Ian Back은 자신의 웹 사이트에서 "즉시" PDF 파일을 출력하고 다양한 언어를 처리하기 위해 mPDF를 작성했습니다. HTML2FPDF와 같은 원본 스크립트보다 유니코드 글꼴을 사용할 때 속도가 느리고 더 큰 파일을 생성하지만 CSS 스타일 등을 지원하고 많은 개선 사항이 있습니다. RTL(아랍어, 히브리어), CJK(중국어, 일본어, 한국어)를 포함한 거의 모든 언어를 지원합니다. 중첩된 블록 수준 요소(예: P, DIV)를 지원합니다.

DVWA

DVWA

DVWA(Damn Vulnerable Web App)는 매우 취약한 PHP/MySQL 웹 애플리케이션입니다. 주요 목표는 보안 전문가가 법적 환경에서 자신의 기술과 도구를 테스트하고, 웹 개발자가 웹 응용 프로그램 보안 프로세스를 더 잘 이해할 수 있도록 돕고, 교사/학생이 교실 환경 웹 응용 프로그램에서 가르치고 배울 수 있도록 돕는 것입니다. 보안. DVWA의 목표는 다양한 난이도의 간단하고 간단한 인터페이스를 통해 가장 일반적인 웹 취약점 중 일부를 연습하는 것입니다. 이 소프트웨어는

Eclipse용 SAP NetWeaver 서버 어댑터

Eclipse용 SAP NetWeaver 서버 어댑터

Eclipse를 SAP NetWeaver 애플리케이션 서버와 통합합니다.

VSCode Windows 64비트 다운로드

VSCode Windows 64비트 다운로드

Microsoft에서 출시한 강력한 무료 IDE 편집기