<img src="https://yellow-cdn.veclightyear.com/35dd4d3f/9413da8f-1c4d-4e28-8ded-3f39129db8f1.png" width="400px"></img>
实现 <a href="https://makeavideo.studio/">Make-A-Video</a>,Meta AI 最新的 SOTA 文本生成视频器,用 Pytorch 实现。他们结合了伪 3D 卷积(轴向卷积)和时间注意力,并展现了更好的时间融合效果。
伪 3D 卷积并不是一个新概念。在其他背景下,例如蛋白质接触预测中也曾被探索过,称为 <a href="https://www.biorxiv.org/content/10.1101/2022.08.04.502748v2.full">“维度混合残差网络”</a>。
论文的要点是,采用一个 SOTA 的文本到图像模型(这里使用的是 DALL-E2,但相同的学习点也能适用于 Imagen),在 <a href="https://arxiv.org/abs/2204.03458">时间注意</a>和其他减少计算成本的方法上做一些小修改,正确进行帧插值,得到一个优秀的视频模型。
<a href="https://www.youtube.com/watch?v=AcvmyqGgMh8">AI Coffee Break 讲解</a>
<a href="https://stability.ai/">Stability.ai</a> 慷慨赞助进行前沿人工智能研究
<a href="http://www.jonathanho.me/">Jonathan Ho</a> 通过 <a href="https://arxiv.org/abs/2006.11239">他的开创性论文</a>,为生成型人工智能带来了革命
<a href="https://github.com/arogozhnikov">Alex</a> 为 <a href="https://github.com/arogozhnikov/einops">einops</a> 做出的贡献,这个抽象简直是天才,无法用其他词汇描述
$ pip install make-a-video-pytorch
传递视频特征
import torch from make_a_video_pytorch import PseudoConv3d, SpatioTemporalAttention conv = PseudoConv3d( dim = 256, kernel_size = 3 ) attn = SpatioTemporalAttention( dim = 256, dim_head = 64, heads = 8 ) video = torch.randn(1, 256, 8, 16, 16) # (batch, features, frames, height, width) conv_out = conv(video) # (1, 256, 8, 16, 16) attn_out = attn(video) # (1, 256, 8, 16, 16)
传递图像(如果先在图像上进行预训练),时间卷积和注意力将自动跳过。换句话说,你可以直接在你的 2D Unet 中使用它,然后在训练的那个阶段结束后将其 移植到 3D Unet。时间模块初始化为输出恒等操作,正如论文中所做的那样。
import torch from make_a_video_pytorch import PseudoConv3d, SpatioTemporalAttention conv = PseudoConv3d( dim = 256, kernel_size = 3 ) attn = SpatioTemporalAttention( dim = 256, dim_head = 64, heads = 8 ) images = torch.randn(1, 256, 16, 16) # (batch, features, height, width) conv_out = conv(images) # (1, 256, 16, 16) attn_out = attn(images) # (1, 256, 16, 16)
你还可以控制这两个模块,使其在接受三维特征时,仅进行空间训练
import torch from make_a_video_pytorch import PseudoConv3d, SpatioTemporalAttention conv = PseudoConv3d( dim = 256, kernel_size = 3 ) attn = SpatioTemporalAttention( dim = 256, dim_head = 64, heads = 8 ) video = torch.randn(1, 256, 8, 16, 16) # (batch, features, frames, height, width) # 以下设置将不会在时间维度上进行训练 conv_out = conv(video, enable_time = False) # (1, 256, 8, 16, 16) attn_out = attn(video, enable_time = False) # (1, 256, 8, 16, 16)
完整的 SpaceTimeUnet
,对图像或视频训练具有通用性,即便传入 视频也可以忽略时间维度
import torch from make_a_video_pytorch import SpaceTimeUnet unet = SpaceTimeUnet( dim = 64, channels = 3, dim_mult = (1, 2, 4, 8), resnet_block_depths = (1, 1, 1, 2), temporal_compression = (False, False, False, True), self_attns = (False, False, False, True), condition_on_timestep = False, attn_pos_bias = False, flash_attn = True ).cuda() # 训练图像 images = torch.randn(1, 3, 128, 128).cuda() images_out = unet(images) assert images.shape == images_out.shape # 然后训练视频 video = torch.randn(1, 3, 16, 128, 128).cuda() video_out = unet(video) assert video_out.shape == video.shape # 或者甚至将视频按图像处理 video_as_images_out = unet(video, enable_time = False)
赋予注意力最佳的定位嵌入研究
强化注意力
增加闪电注意力
确保 dalle2-pytorch 能接受 SpaceTimeUnet
进行训练
@misc{Singer2022, author = {Uriel Singer}, url = {https://makeavideo.studio/Make-A-Video.pdf} }
@inproceedings{rogozhnikov2022einops, title = {Einops: Clear and Reliable Tensor Manipulations with Einstein-like Notation}, author = {Alex Rogozhnikov}, booktitle = {International Conference on Learning Representations}, year = {2022}, url = {https://openreview.net/forum?id=oapKSVM2bcj} }
@article{Dong2021AttentionIN, title = {Attention is Not All You Need: Pure Attention Loses Rank Doubly Exponentially with Depth}, author = {Yihe Dong and Jean-Baptiste Cordonnier and Andreas Loukas}, journal = {ArXiv}, year = {2021}, volume = {abs/2103.03404} }
@article{Zhang2021TokenST, title = {Token Shift Transformer for Video Classification}, author = {Hao Zhang and Y. Hao and Chong-Wah Ngo}, journal = {Proceedings of the 29th ACM International Conference on Multimedia}, year = {2021} }
@inproceedings{shleifer2022normformer, title = {NormFormer: Improved Transformer Pretraining with Extra Normalization}, author = {Sam Shleifer and Myle Ott}, booktitle = {Submitted to The Tenth International Conference on Learning Representations }, year = {2022}, url = {https://openreview.net/forum?id=GMYWzWztDx5}, }
@inproceedings{dao2022flashattention, title = {Flash{A}ttention: Fast and Memory-Efficient Exact Attention with {IO}-Awareness}, author = {Dao, Tri and Fu, Daniel Y. and Ermon, Stefano and Rudra, Atri and R{\'e}, Christopher}, booktitle = {Advances in Neural Information Processing Systems}, year = {2022} }
AI辅助编程,代码自动修复
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作 流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文 件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速 完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。