AlignProp
AlignProp utiliza retropropagación de recompensa directa para la alineación de modelos de difusión de texto a imagen a gran escala. Nuestro método es 25 veces más eficiente en muestras y computación que los métodos de aprendizaje por refuerzo (PPO) para el ajuste fino de Stable Diffusion
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasAlignProp utiliza retropropagación de recompensa directa para la alineación de modelos de difusión de texto a imagen a gran escala. Nuestro método es 25 veces más eficiente en muestras y computación que los métodos de aprendizaje por refuerzo (PPO) para el ajuste fino de Stable Diffusion
AlignProp tiene 324 estrellas en GitHub. Se ha bifurcado 11 veces. AlignProp está escrito principalmente en Python. Se desarrolla activamente desde 2023. AlignProp está disponible bajo la licencia MIT. Sus temas principales son: alignment, diffusion-models, reinforcement-learning, stable-diffusion.
¿Qué es AlignProp?
AlignProp utiliza retropropagación de recompensa directa para la alineación de modelos de difusión de texto a imagen a gran escala. Nuestro método es 25 veces más eficiente en muestras y computación que los métodos de aprendizaje por refuerzo (PPO) para el ajuste fino de Stable Diffusion
¿AlignProp es de código abierto?
AlignProp es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
¿AlignProp es gratis?
Sí. AlignProp es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está AlignProp?
AlignProp está disponible bajo la licencia MIT.
¿En qué lenguaje está escrito AlignProp?
AlignProp está escrito principalmente en Python.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://opensourceai.tech/project/mihirp1998-alignprop.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.