如果您想加入其余课程的直播，昆士兰大学已开放该课程的延迟注册：在此注册。
几周前，我们开始教授新课程，从深度学习基础到 Stable Diffusion。开发和教授这些第一课的体验非常棒。课程贡献者包括来自 Hugging Face、Stability.ai 和 fast.ai 的一些杰出人士，我们已经收到了来自 Deoldify、Lambda Labs 等出色人士的一些鼓舞人心的贡献。
在过去的两周里，出现了一些重要的新论文，我们已经在课程中涵盖了它们。由于这个领域发展如此之快，而且引起了广泛关注，我们决定提前发布前两节课。事实上，我们现在就发布！
总共，我们将发布四个视频，时长约5.5小时，涵盖以下主题（课程编号从“9”开始，因为这是《面向程序员的实用深度学习 第一部分》的延续，该部分共有8节课）
- 第9课 Jeremy Howard 讲解：如何使用 Diffusers 管道；Stable Diffusion 的概念部分是什么
- 第9A课 Jonathan Whitaker 讲解：深入探讨 Stable Diffusion 概念和代码
- 第9B课 Wasim Lorgat 和 Tanishq Abraham 讲解：扩散的数学原理
- 第10课 Jeremy Howard 讲解：创建一个自定义扩散管道；从“基础”开始
如果您已经完成了课程的第一部分，或者已经有一些训练和部署深度学习模型（最好是 PyTorch）的经验，这些视频将最有意义。
第9课——管道和概念
本课从一个关于如何使用Diffusers 库中的管道来生成图像的教程开始。Diffusers 是（我们认为！）目前用于图像生成的最佳库。它具有许多功能，并且非常灵活。我们解释了如何使用它的许多功能，并讨论了访问使用该库所需的 GPU 资源的选项。
我们讨论了在 Diffusers 中使用 Stable Diffusion 时可用的一些巧妙调整，并展示了如何使用它们：引导比例（用于调整提示的使用程度）、负面提示（用于从图像中移除概念）、图像初始化（用于从现有图像开始）、文本反转（用于将您自己的概念添加到生成的图像中）、Dreambooth（文本反转的另一种方法）。
本课的后半部分涵盖了 Stable Diffusion 中的关键概念
- CLIP 嵌入
- VAE（变分自编码器）
- 使用 UNet 预测噪声
- 使用调度器移除噪声
您可以在此论坛主题中讨论本课，并访问所有笔记本和资源链接。
第9A课——深入探讨
在此视频中，Jonathan Whitaker向我们展示了使用 Stable Diffusion 创建图像时幕后发生的事情，查看了不同的组件和过程，以及如何修改每个组件和过程以进一步控制生成过程。
他展示了如何从头开始复制采样循环，并更详细地解释了每个步骤
- 自编码器
- 添加噪声和图像到图像
- 文本编码过程
- UNet 和无分类器引导
- 采样。
第9B课——扩散的数学原理
Wasim Lorgat 和 Tanishq Abraham 从基础开始讲解扩散模型的数学原理。他们假设您除了高中所学知识外，没有其他先修知识。
第10课——自定义管道
本课使用底层组件：VAE、UNet、调度器和分词器，创建一个完整的 Diffusers 管道。通过手动将它们组合在一起，这为您提供了完全自定义推理过程每个方面的灵活性。
我们还讨论了上周发布的三篇重要新论文，它们将推理性能提高了 10 倍以上，并且只需描述新图片应显示的内容，即可“编辑”任何照片。
本课的后半部分开始了课程的“从基础开始”阶段，从头开发一个基本的矩阵类和随机数生成器，并讨论了 Python 中迭代器的使用。
您可以在此论坛主题中讨论本课，并访问所有笔记本和资源链接。