{"id":471492,"date":"2023-02-19T16:24:37","date_gmt":"2023-02-19T16:24:37","guid":{"rendered":"https:\/\/magazineoffice.com\/el-principio-de-la-fisica-que-inspiro-el-arte-moderno-de-la-ia\/"},"modified":"2023-02-19T16:24:39","modified_gmt":"2023-02-19T16:24:39","slug":"el-principio-de-la-fisica-que-inspiro-el-arte-moderno-de-la-ia","status":"publish","type":"post","link":"https:\/\/magazineoffice.com\/el-principio-de-la-fisica-que-inspiro-el-arte-moderno-de-la-ia\/","title":{"rendered":"El principio de la f\u00edsica que inspir\u00f3 el arte moderno de la IA"},"content":{"rendered":"<p> <br \/>\n<\/p>\n<div>\n<p class=\"paywall\">Sohl-Dickstein utiliz\u00f3 los principios de difusi\u00f3n para desarrollar un algoritmo para el modelado generativo.  La idea es simple: el algoritmo primero convierte im\u00e1genes complejas en el conjunto de datos de entrenamiento en ruido simple, similar a pasar de una gota de tinta a agua azul clara difusa, y luego le ense\u00f1a al sistema c\u00f3mo revertir el proceso, convirtiendo el ruido en im\u00e1genes.<\/p>\n<p class=\"paywall\">As\u00ed es como funciona: primero, el algoritmo toma una imagen del conjunto de entrenamiento.  Como antes, digamos que cada uno de los millones de p\u00edxeles tiene alg\u00fan valor, y podemos trazar la imagen como un punto en un espacio de un mill\u00f3n de dimensiones.  El algoritmo agrega algo de ruido a cada p\u00edxel en cada paso de tiempo, equivalente a la difusi\u00f3n de tinta despu\u00e9s de un peque\u00f1o paso de tiempo.  A medida que contin\u00faa este proceso, los valores de los p\u00edxeles tienen menos relaci\u00f3n con sus valores en la imagen original y los p\u00edxeles se parecen m\u00e1s a una simple distribuci\u00f3n de ruido.  (El algoritmo tambi\u00e9n empuja cada valor de p\u00edxel una pizca hacia el origen, el valor cero en todos esos ejes, en cada paso de tiempo. Este empuj\u00f3n evita que los valores de p\u00edxel crezcan demasiado para que las computadoras puedan trabajar f\u00e1cilmente).<\/p>\n<p class=\"paywall\">Haga esto para todas las im\u00e1genes en el conjunto de datos, y una distribuci\u00f3n compleja inicial de puntos en un espacio de un mill\u00f3n de dimensiones (que no se puede describir ni muestrear f\u00e1cilmente) se convierte en una distribuci\u00f3n normal simple de puntos alrededor del origen.<\/p>\n<p class=\"paywall\">\u201cLa secuencia de transformaciones convierte muy lentamente su distribuci\u00f3n de datos en una gran bola de ruido\u201d, dijo Sohl-Dickstein.  Este \u00abproceso directo\u00bb le deja con una distribuci\u00f3n de la que puede probar con facilidad.<\/p>\n<div class=\"GenericCalloutWrapper-PaUs ceOoXm callout--has-top-border\" data-testid=\"GenericCallout\">\n<figure class=\"AssetEmbedWrapper-iKrtVW eYPQkA asset-embed\">\n<div class=\"AssetEmbedAssetContainer-fpksBS deXOlp asset-embed__asset-container\"><span class=\"SpanWrapper-kGOugJ dtBwjW responsive-asset AssetEmbedResponsiveAsset-feWtx fnHGrH asset-embed__responsive-asset\"><picture class=\"ResponsiveImagePicture-jJyKit mrcDn AssetEmbedResponsiveAsset-feWtx fnHGrH asset-embed__responsive-asset responsive-image\"><noscript><\/noscript><\/picture><\/span><\/div>\n<div class=\"CaptionWrapper-brWaob jIspZf caption AssetEmbedCaption-eZsWmb FqDsy asset-embed__caption\"><span class=\"BaseWrap-sc-UrHlS BaseText-fFrHpW CaptionText-cOiTlR boMZdO iOiXcH gsdLeN caption__text\"><\/p>\n<p>Yang Song ayud\u00f3 a idear una t\u00e9cnica novedosa para generar im\u00e1genes entrenando una red para descifrar im\u00e1genes ruidosas de manera efectiva.<\/p>\n<p><\/span><span class=\"BaseWrap-sc-UrHlS BaseText-fFrHpW CaptionCredit-cRZQOh boMZdO hHieus LGmsj caption__credit\">Cortes\u00eda de Yang Song<\/span><\/div>\n<\/figure>\n<\/div>\n<p class=\"paywall\">Lo siguiente es la parte de aprendizaje autom\u00e1tico: proporcione a una red neuronal las im\u00e1genes ruidosas obtenidas de un pase hacia adelante y entr\u00e9nela para predecir las im\u00e1genes menos ruidosas que llegaron un paso antes.  Cometer\u00e1 errores al principio, por lo que modifica los par\u00e1metros de la red para que funcione mejor.  Eventualmente, la red neuronal puede convertir de manera confiable una imagen ruidosa, que es representativa de una muestra de la distribuci\u00f3n simple, en una imagen representativa de una muestra de la distribuci\u00f3n compleja.<\/p>\n<p class=\"paywall\">La red entrenada es un modelo generativo completo.  Ahora ni siquiera necesita una imagen original en la que hacer un pase hacia adelante: tiene una descripci\u00f3n matem\u00e1tica completa de la distribuci\u00f3n simple, por lo que puede tomar muestras directamente.  La red neuronal puede convertir esta muestra, esencialmente est\u00e1tica, en una imagen final que se asemeja a una imagen en el conjunto de datos de entrenamiento.<\/p>\n<p class=\"paywall\">Sohl-Dickstein recuerda los primeros resultados de su modelo de difusi\u00f3n.  \u201cEntrecerrar\u00edas los ojos y dir\u00edas: &#8216;Creo que esa mancha de color se parece a un cami\u00f3n&#8217;\u201d, dijo.  \u201cPas\u00e9 tantos meses de mi vida mirando diferentes patrones de p\u00edxeles y tratando de ver la estructura que pens\u00e9: &#8216;Esto est\u00e1 mucho m\u00e1s estructurado que nunca&#8217;.  Estaba muy emocionado.\u00bb<\/p>\n<p>Visualizando el futuro<\/p>\n<p class=\"paywall\">Sohl-Dickstein public\u00f3 su algoritmo de modelo de difusi\u00f3n en 2015, pero todav\u00eda estaba muy por detr\u00e1s de lo que pod\u00edan hacer las GAN.  Si bien los modelos de difusi\u00f3n pod\u00edan muestrear toda la distribuci\u00f3n y nunca quedarse atascados y arrojar solo un subconjunto de im\u00e1genes, las im\u00e1genes se ve\u00edan peor y el proceso era demasiado lento.  \u201cNo creo que en ese momento esto fuera visto como emocionante\u201d, dijo Sohl-Dickstein.<\/p>\n<p class=\"paywall\">Se necesitar\u00edan dos estudiantes, ninguno de los cuales conoc\u00eda a Sohl-Dickstein ni entre ellos, para conectar los puntos de este trabajo inicial con los modelos de difusi\u00f3n modernos como DALL\u00b7E 2. El primero fue Song, un estudiante de doctorado en Stanford en ese momento. .  En 2019, \u00e9l y su asesor publicaron un m\u00e9todo novedoso para construir modelos generativos que no estimaban la distribuci\u00f3n de probabilidad de los datos (la superficie de alta dimensi\u00f3n).  En cambio, estim\u00f3 el gradiente de la distribuci\u00f3n (piense en ello como la pendiente de la superficie de alta dimensi\u00f3n).<\/p>\n<\/div>\n<p><br \/>\n<br \/><a href=\"https:\/\/magazineoffice.com\/\">Source link-46<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Sohl-Dickstein utiliz\u00f3 los principios de difusi\u00f3n para desarrollar un algoritmo para el modelado generativo. La idea es simple: el algoritmo primero convierte im\u00e1genes complejas en el conjunto de datos de&hellip;<\/p>\n","protected":false},"author":1,"featured_media":471493,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[21981],"tags":[3813,7345,4901,8263,7357],"_links":{"self":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts\/471492"}],"collection":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/comments?post=471492"}],"version-history":[{"count":1,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts\/471492\/revisions"}],"predecessor-version":[{"id":471494,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts\/471492\/revisions\/471494"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/media\/471493"}],"wp:attachment":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/media?parent=471492"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/categories?post=471492"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/tags?post=471492"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}