Python 3でのファイルのimportのしかたまとめ - Qiitaimport children children.tom.hi() # >> AttributeError: module 'children' has no attribute 'tom' ひとつ下のディレクトリにある複数のファイル __init__.pyを作り、そのディレクトリをパッケージとして扱う。__init__.pyの中でそこで同じディレクトリに含まれるモジュールを読み込む。
NovelAI 5ch Wiki
NovelAI 5ch Wiki 画像生成AIの情報を纏めるWikiです。 トップページページ一覧メンバー掲示板編集 トップページ 最終更新：ID:1NhN+40vQg 2024年04月09日(火) 20:22:35履歴 Welcome to NovelAI 5ch Wiki! ※イメージキャラクター｜NAIちゃん｜参考プロンプト：その他 概要 NovelAIの呪文をまとめるで Stable Diffusionのローカル環境の情報もまとめるで Menuから行きたいページに飛ぶんや 編集制限はかけてないから、どんどん編集していってな R-18注意やで Please note that contains NSFW images. ※画像が多いのでWi-Fiか有線での閲覧を推奨するで 告知 本スレでスクリプト頻発の為避難所と姉妹スレ貼っとくで 姉妹スレ ※初回書き込み時に認証が必要。認証ワードは
Stable Diffusion Samplerの違いを比べてみた
Stable Diffusion Samplerの違いを比べてみた Stable diffusionにおけるSamplerってどれくらい影響がある？ぶっちゃけあまり知らずに使っていました。実際に使うといろいろ違いが出てきて面白いですね。 今回はSampler だけを変更し、Step数、Prompt、Seed値などはすべて固定しています。なお、GPUにはGTX1660Tiを利用しています。描画な時間は目安としてご利用ください。 呪文 呪文は元素法典から引用しています。 masterpiece, best quality, super fine illustration,masterpiece, best quality,(beautiful detailed eyes:1.05),1girl,finely detail,Depth of field, 4k wallpaper,bluesky
トピックモデルシリーズ 4 LDA （Latent Dirichlet Allocation） - StatModeling Memorandum
このシリーズのメインともいうべきLDA（[Blei+ 2003]）を説明します。前回のUMの不満点は、ある文書に1つのトピックだけを割り当てるのが明らかにもったいない場合や厳しい場合があります。そこでLDAでは文書を色々なトピックを混ぜあわせたものと考えましょーというのが大きな進歩です。さてこの記事の表記法は以下になります。前回のUMの場合と同一です。 右2列は定数については数値を、そうでないものについてはR内の変数名を書いています。データは前の記事参照。 グラフィカルモデルは以下になります（左: LDA, 右（参考）: 前回のUM）。 見ると四角のプレートがまで伸びてきただけです。しかしながらこれが曲者でUMからかなりのギャップがあります。以下の吹き出しの順に説明していきます。 ① ここではハイパーパラメータからディリクレ分布に従って『文書の数だけ』が生成されます。このは以下のような『文
創作革命元年を振り返る - なにメモ
題名： 『文明開花・破』（この画像はAIが構図を考え、AIが生成したものです。著作権はありません。） はじめに 本ポエムでは今年に起こった 創作業界における産業革命 、略して 創作革命 について振り返ります。 創作革命というぐらいなので、文章（小説、対話他）、画像（写真、イラスト他）、映像（実写、アニメ他）、3Dモデル、4Dなどあらゆる創作業界に影響を与える技術が発表されました。 しかし、本記事は画像生成AIアドベントカレンダーなので、話が発散しないように画像生成AIのみに焦点を絞ります。 ポエムなので、引用とか面倒なのは端折ります。予めご了承ください。 今年までの画像生成AIのあらすじ 画像生成について遡ると、コンピュータグラフィックスの世界からになってしまうので、 敵対的生成ネットワーク (GAN) から始めましょう。 2014年、ディープラーニングによる画像生成のアイデア、GANが生
データサイエンス×演劇 〜トピックモデルによる舞台のジャンル・特徴分け PART2〜｜Yu_Se
こんにちは、Yu_Seです。 さて、データサイエンス×演劇ということでデータサイエンスを使った舞台のジャンル・特徴分けを行った実験結果とその考察について、３部構成でまとめた記事のPART2です。 PART1で既に書いたように、ここからはトピックモデルに関する説明と、それを使った舞台のジャンル・特徴分けの結果についてまとめていきたいと思います。 この分析を行ったモチベーションやトピックモデルに辿り着いた経緯に関しては、PART1の記事の方をご参照下さい。 では早速本編へと入っていこうと思います。 トピックモデルとは？まずはトピックモデルがそもそも何なのかについて説明したいと思います。 これから舞台のジャンル・特徴分けをする際に使用するモデルなので、クラスタリング（分類器）の手法の一つであることは想像がつくかなと思います。 トピックモデルは文章をその内容から判断してクラスタリングする手法なので
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Marchenko–Pastur distribution - Wikipedia