ডালে-মিনি কী এবং এটি কীভাবে কাজ করে?

ডালে-মিনি একটি গভীর শিক্ষার মডেল যা ব্যবহারকারীর ইনপুট পাঠ্য থেকে উচ্চ মানের ছবি তৈরি করতে পারে। এটি DALL-E মডেলের উপর ভিত্তি করে তৈরি, যা OpenAI জানুয়ারী 2021 সালে প্রকাশ করেছিল। DALL-E এর অর্থ হল “ বিচ্ছিন্ন ভাষা এবং সুপ্ত অভিব্যক্তি ” হল একটি ট্রান্সফরমার-ভিত্তিক নিউরাল নেটওয়ার্ক যা পাঠ্য এবং চিত্রগুলিকে একটি সাধারণ সুপ্ত স্থানে এনকোড করতে পারে এবং তারপরে সেগুলিকে উভয় পদ্ধতিতে ডিকোড করতে পারে।

এই নিবন্ধটি নিম্নলিখিত বিষয়বস্তু ব্যাখ্যা করবে:

• • ডালে-মিনি কি?
  • ডালে-মিনি এর কাজ কি?
  • ডালে-মিনি এবং ডাল-ই-এর মধ্যে পার্থক্য কী?
  • ডালে-মিনি কীভাবে কাজ করে?
  • ডালে-মিনি ব্যবহার করে কীভাবে পাঠ্য বিবরণ থেকে চিত্র তৈরি করবেন?

ডালে-মিনি কি?

তার-মিনি দাও এটি DALL-E এর একটি ছোট এবং দ্রুত সংস্করণ, যেটি EleutherAI দ্বারা তৈরি করা হয়েছে, একটি ওপেন-সোর্স গবেষণা সমষ্টি৷ DALL-E এর 12 বিলিয়নের তুলনায় Dalle-mini শুধুমাত্র 6 বিলিয়ন প্যারামিটার ব্যবহার করে এবং এটি একটি একক GPU-তে চলতে পারে। ডালে-মিনি পাঠ্য ইনপুটের জন্য একটি ভিন্ন টোকেনাইজার এবং শব্দভাণ্ডারও ব্যবহার করে, যা এটিকে বিভিন্ন ভাষা এবং ডোমেনের সাথে আরও সামঞ্জস্যপূর্ণ করে তোলে:

বিঃদ্রঃ : ব্যবহারকারীরা অনুসরণ করে ডালে-মিনি ব্যবহার করে বিনামূল্যের ছবি তৈরি করতে পারেন লিঙ্ক .

ডালে-মিনি এর কাজ কি?

ডালে-মিনির পিছনে মূল ধারণা হল ট্রান্সফরমারের শক্তি, যা নিউরাল নেটওয়ার্ক। তারা পাঠ্য বা চিত্রের মতো অনুক্রমিক ডেটাতে দীর্ঘ-পরিসর নির্ভরতা এবং জটিল নিদর্শন শিখতে পারে।

ট্রান্সফরমার দুটি প্রধান অংশ নিয়ে গঠিত: একটি এনকোডার এবং একটি ডিকোডার। প্রথম অংশটি একটি ইনপুট (একটি পাঠ্য বিবরণ) নেয় এবং এটিকে লুকানো ভেক্টরে পরিবর্তন করে। এর পরে, ডিকোডার এটি নেয় এবং একটি আউটপুট (একটি চিত্র) তৈরি করে যা ইনপুটের সাথে প্রাসঙ্গিক।

ডালে-মিনি এবং ডাল-ই-এর মধ্যে পার্থক্য কী?

Dalle-mini এবং DALL-E পাঠ্য এবং চিত্র উভয়ের জন্য একটি ভাগ করা এনকোডার-ডিকোডার আর্কিটেকচার ব্যবহার করে। তারা একই নেটওয়ার্ক ব্যবহার করে উভয় পদ্ধতিকে এনকোড এবং ডিকোড করতে পারে। এটি তাদের একটি সাধারণ সুপ্ত স্থান শিখতে দেয় যা পাঠ্য এবং চিত্রের মধ্যে শব্দার্থিক সম্পর্ককে ক্যাপচার করে। এর পরে, তাদের ক্রস-মোডাল জেনারেশন করতে সক্ষম করে, যেমন টেক্সট থেকে ছবি তৈরি করা বা এর বিপরীতে।

ডালে-মিনি কীভাবে কাজ করে?

একটি পাঠ্য বিবরণ থেকে একটি চিত্র তৈরি করতে, ডালে-মিনি প্রথমে একটি বাইট-পেয়ার এনকোডিং (BPE) অ্যালগরিদম ব্যবহার করে পাঠ্যটিকে টোকেনাইজ করে, যা পাঠকে তাদের ফ্রিকোয়েন্সি এবং সহ-ঘটনার ভিত্তিতে সাবওয়ার্ড ইউনিটে বিভক্ত করে:

আসুন আমরা ডালে-মিনির অভ্যন্তরীণ কাজের বিস্তারিত দিকে যাই:

ডালে-মিনির অভ্যন্তরীণ কাজ

ধরা যাক, শব্দটি ' খেলি 'এ বিভক্ত হতে পারে' pla ' এবং ' ইং ” তারপর 8192 টোকেনের শব্দভাণ্ডার ব্যবহার করে টোকেনগুলিকে সংখ্যাসূচক আইডিতে ম্যাপ করা হয়। 256 x 64 আকারের একটি সুপ্ত উপস্থাপনা তৈরি করে আইডিগুলিকে এনকোডারে দেওয়া হয়:

ডিকোডার তারপর সুপ্ত উপস্থাপনা নেয় এবং 256 x 256 পিক্সেল আকারের একটি চিত্র তৈরি করে। ডিকোডারটি একটি অটোরিগ্রেসিভ প্রক্রিয়া ব্যবহার করে, যার অর্থ হল এটি প্রতিটি পিক্সেলকে একে একে তৈরি করে, পূর্ববর্তী পিক্সেল এবং সুপ্ত উপস্থাপনাগুলির উপর শর্তযুক্ত।

ডালে-মিনি ব্যবহার করে কীভাবে পাঠ্য বিবরণ থেকে চিত্র তৈরি করবেন?

Dalle-mini ব্যবহার করে একটি চিত্র থেকে একটি পাঠ্য বিবরণ তৈরি করতে, প্রম্পট উইন্ডোতে পাঠ্যটি ইনপুট করুন। উদাহরণস্বরূপ, টাইপ করুন ' এলোমেলো ফুলের একটি পেইন্টিং ' প্রম্পটে এবং ' চাপুন চালান 'বোতাম:

আউটপুট দেখায় যে ডালে-মিনি ইনপুট পাঠ্য অনুসারে প্রাসঙ্গিক চিত্র তৈরি করেছে।

উপসংহার

ডালে-মিনি একটি অসাধারণ মডেল যা ক্রস-মডেল জেনারেশনের জন্য ট্রান্সফরমারের সম্ভাব্যতা প্রদর্শন করে। তারা প্রাকৃতিক ভাষার বর্ণনা থেকে বাস্তবসম্মত এবং বৈচিত্র্যময় চিত্র তৈরি করতে পারে, সেইসাথে চিত্রগুলি থেকে সুসঙ্গত এবং প্রাসঙ্গিক পাঠ্য তৈরি করতে পারে। তারা জটিল রচনাগুলিও পরিচালনা করতে পারে, যেমন একটি চিত্র বা পাঠ্যে একাধিক বস্তু বা বৈশিষ্ট্য একত্রিত করা। এই নিবন্ধটি ডালে-মিনি এবং এর কাজকে বিশদভাবে ব্যাখ্যা করেছে।