Paano gumawa ng mga larawan gamit ang DALL-E? Ang AI text ay bumubuo ng mga painting, magpaalam sa scumbag painting!

✨Ilabas ang iyong imahinasyon sa DALL-E🚀! Ang rebolusyonaryong ito AI Nagbibigay-daan sa iyo ang tool sa pagbuo ng imahe na lumikha ng mga nakamamanghang larawan gamit ang text🎨.

Ipasok lamang ang iyong mga ideya at gagawin ng DALL-E ang mga ito sa parang buhay na mga gawa ng sining!

Mula sa mapangarapin na mga landscape hanggang sa nakamamanghangTaoportrait, ang posibilidad aywalang hanggananng.

Sumali sa DALL-E painting magic circle at simulan ang iyong masining na paglalakbay!

Kamakailan, ang larangan ng artificial intelligence (AI) ay gumawa ng kapansin-pansing pag-unlad.Chat GPT Hindi lamang ito mahusay sa paglikha ng teksto, ngunit ang aming AI stage ay unti-unting lumalawak nang higit pa sa purong teksto.

Ano ang DALL-E?

Ang DALL-E ay isang rebolusyonaryong AI system na bumubuo ng mga larawan batay sa mga paglalarawan ng teksto.

Ang DALL-E ay isang mahalagang milestone sa pagkamalikhain ng artificial intelligence, at ang pinakabagong bersyon, DALL-E 3, ay mas makapangyarihan.

Sa gabay na ito, titingnan natin kung ano ang DALL-E, kung paano ito gumagana, mga lugar ng aplikasyon nito, at mga tip sa paggamit nito upang makabuo ng magandang visual na nilalaman.

Ang konsepto ay mukhang simple, ngunit para sa pinakamahusay na mga resulta, kailangan mong sundin ang mga tip na ito para sa tunay at tumpak na mga resulta ng paghahanap! Upang matiyak na makukuha mo ang pinaka-tunay at tumpak na mga resulta ng paghahanap, binibigyan ka namin ng mga sumusunod na tip at trick.

Bago gamitin ang DALL-E, may tatlong panuntunan sa housekeeping na kailangan mong maunawaan:

Dahil teknikal mong nilikha ang ideya para sa iyong likhang sining, ikaw ang artist bilang default, bagama't mada-download ang larawan gamit ang watermark ng kulay ng DALL-E 2.

May mga limitasyon sa kung ano ang maaari mong gawin. Halimbawa, ipinagbabawal ng patakaran sa nilalaman ng DALL-E 2 ang nakakapinsala, mapanlinlang, o pampulitikang nilalaman. Upang maiwasan ang pang-aabuso, ang ilang termino para sa paghahanap para sa mga pampublikong tao, gaya ni Taylor Swift, ay hindi pinagana. Bagama't hindi lahat ng mga celebrity ay lumalabag sa mga patakaran sa content, ang kanilang mga mukha ay kadalasang nababaluktot para sa kaligtasan.

Limitasyon sa kredito para sa DALL-E 2: Ang mga user na nagparehistro at gumawa ng account sa pamamagitan ng email bago ang Abril 2023, 4 ay maaaring makatanggap ng 6 libreng kredito, mag-e-expire at magre-renew bawat buwan. Halimbawa, nag-sign up ako noong Setyembre 15, 2022, kaya nakakakuha ako ng 9 libreng credits bawat buwan, na awtomatikong nagre-renew. Tandaan na ang mga libreng credit ay hindi rollable, kaya kahit na hindi ako lumikha ng sining sa loob ng tatlong buwan, hindi ako makakaipon ng 25 credits. Ang mga bagong user na kakagawa lang ng account ay hindi na nae-enjoy ang parehong libreng credit benefit at dapat bumili ng hindi bababa sa 15 credits sa halagang $60. Maaaring bumili ang mga user ng mga DALL-E credit nang hiwalay sa pamamagitan ng labs.openai.com, na sinisingil nang hiwalay mula sa DALL-E API.

Mare-redeem lang ang mga credit pagkatapos maipasok at mabuo ang mga ito, ang mga paghahanap na sa huli ay hindi nabuo dahil sa mga paglabag sa patakaran sa nilalaman ay hindi ibabawas mula sa libreng kredito. Maaari kang mag-click sa icon ng iyong profile sa kanang sulok sa itaas ng interface ng paghahanap upang makita kung gaano karaming credit ang natitira mo bawat buwan, at maaari mong piliing bumili ng higit pa, simula sa $115 para sa 15 na credit.

Paano gamitin ang DALL-E upang makabuo ng mga larawan?

Ang DALL-E ay isa sa pinakamakapangyarihang mga tool sa artificial intelligence na kasalukuyang nasa merkado.

Ito ay isang artificial intelligence image generator na binuo ng OpenAI team sa likod ng ChatGPT. Gumagamit ito ng teknolohiyang tinatawag na "generative artificial intelligence" upang lumikha ng mga orihinal na larawan mula sa simula batay sa mga text prompt.

Halimbawa, kung ipinasok mo ang tekstong "an avocado chair with a red colored monkey”, gagawa ang DALL-E ng mga bagong larawan ng kakaibang bagay na ito.

Sa halip na mag-cut at mag-collage lang ng mga bahagi ng isang imahe, ito ay talagang "imagine" kung ano ang iyong inilalarawan. Kung mas detalyado ang iyong paglalarawan, mas magiging pino ang magreresultang larawan.

Kapansin-pansin na ang pangalang "DALL-E" ay isang homophony ng surrealist artist na si Salvador Dali at ng magiliw na robot na karakter ng Pixar na WALL-E. Ito ay nagpapahiwatig kung paano pinagsasama ng DALL-E ang sining at teknolohiya upang lumikha ng kamangha-manghang mga visual effect nang direkta mula sa mga paglalarawan ng teksto.

Ito ang kababalaghan ng DALL-E, na kumakatawan sa isang hakbang sa pagkamalikhain ng artificial intelligence.

Bagama't madaling maisip ng mga tao ang mga bagay sa pamamagitan ng mga salita, hindi ito magagawa ng mga computer noon, lalo na sa hindi gaanong malinaw na paraan. Napagtanto ng DALL-E ang praktikal na imahinasyon at mga kakayahan sa paglutas ng problema na likas sa mga computer, na nagbubukas ng mga kapana-panabik na posibilidad para sa graphic na disenyo, mga template ng imahe, mga layout ng web page, at higit pa.

Paano gumagana ang DALL-E?

Paano ginagawa ng DALL-E ang magic nito? Gaya ng nabanggit kanina, gumagamit ito ng teknolohiyang tinatawag na "generative artificial intelligence." Tingnan natin nang mas malapitan.

Mga generative na modelo ng AI

Hindi tulad ng karamihan sa AI na partikular sa gawain, ang mga generative na modelo ng AI ay hindi dalubhasa upang magsagawa ng isang partikular na gawain.

Sa halip, sinanay sila sa malalaking hanay ng mga larawan, teksto, at iba pang data upang bumuo ng malalim na pag-unawa sa mga ugnayan sa pagitan ng iba't ibang konsepto.

Nagbibigay-daan ito sa kanila na makabuo ng bagong output na lubos na makatotohanan at tumpak na tumutugma sa mga senyas.

Halimbawa, ang isang AI na sinanay lamang sa mga larawan ng mga pusa ay hindi maiisip ang isang nobelang hayop tulad ng "flamingo-lion." Sinanay sa milyun-milyong larawan ng iba't ibang hayop, tao, laruan, at higit pa, maaaring pagsamahin ng generative model ang kaalamang ito para makabuo ng flamingo-lion hybrid batay sa mga prompt.

Sa pinakabagong bersyon ng DALL-E 3, ang kakayahang lumikha ng ganap na bagong mga bagay ay higit na ipinakita. Ang bagong bersyon ay nagpapakita ng mas mataas na antas ng katumpakan sa pagbibigay-kahulugan sa mga pahiwatig, pagkuha ng mga banayad na pagkakaiba at mga detalye na hindi nakuha ng mga nakaraang modelo.

Kung ikukumpara sa mga dating generator ng artificial intelligence, ang DALL-E 3 ay hindi na madaling kapitan ng mga hindi inaasahang resulta kapag tumatanggap ng mga kumplikadong tagubilin. Sa halip, nagpapakita ito ng higit na mahusay na pag-unawa sa wika na nagbibigay-daan dito na mag-imagine ng mga nobelang senaryo at karakter na lampas sa mga inaasahan mula sa text-to-image generative na mga modelo.

Sa DALL-E 3, ang koneksyon sa pagitan ng wika at imahe ay mas malapit, na may kakayahang bigyang-kahulugan ang konteksto ng mga pahiwatig sa halip na mekanikal lamang na bumuo ng mga imahe. Ginagawa nitong mas malapit ang mga nabuong larawan sa mga inaasahan ng user.

Susunod, tingnan natin nang mas malalim kung paano gumagana ang henerasyong arkitektura ng DALL-E.

Paano gumagana ang generative architecture ng DALL-E?

Ang susi sa pagpapagana ng DALL-E na makabuo ng mga larawan mula sa teksto ay nakasalalay sa espesyal na idinisenyong neural network architecture nito:

Malaking data set:

Ang DALL-E ay sinanay sa bilyun-bilyong pares ng imahe-teksto, na nagbibigay-daan dito na matuto ng mga visual na konsepto at ang kanilang kaugnayan sa nilalamang teksto o sinasalitang wika. Ang napakalaking set ng data na ito ay nagbibigay dito ng malawak na pag-unawa sa kaalaman ng mundo.

Hierarchical na istraktura:

Ang network ay may hierarchical na representasyon mula sa mataas na antas ng mga konsepto hanggang sa mga detalye. Naiintindihan ng mga nasa itaas na layer ang malawak na kategorya (gaya ng mga ibon), habang ang mga nasa ibabang layer ay nakikilala ang mga banayad na katangian (gaya ng hugis ng tuka, kulay, at posisyon sa mukha).

Encoding ng teksto:

Gamit ang kaalamang ito, nagagawa ng DALL-E na i-convert ang mga nakasulat na salita sa isang mathematical na representasyon ng teksto. Halimbawa, kapag nag-type tayo ng "Flamingo-lion", alam nito kung ano ang flamingo, kung ano ang leon, at kayang pagsamahin ang magkaibang katangian ng dalawang hayop. Sa pamamagitan ng pagsasaling ito, ang textual input ay maaaring makagawa ng visual na output.

Ang advanced na arkitektura na ito ay nagbibigay-daan sa DALL-E na tumpak na makabuo ng malikhain at magkakaugnay na mga imahe kasunod ng mga textual na pahiwatig.

Ngayon, naiintindihan namin ang mga teknikal na kumplikado, ngunit para sa end user, ang paggamit ng DALL-E ay napakasimple.

Ipasok lamang ang mga senyas at bumuo ng mga nakamamanghang larawan.

Mga modelo ng wika at DALL-E

Ang isang mahalagang bahagi ng arkitektura ng DALL-E ay ang modelo ng wika ng GPT (Generative Pretrained Transformer). Ang mga modelong ito ay may mahalagang papel sa pagbibigay-kahulugan at pagpino ng mga pahiwatig.

Ang modelo ng GPT ay mahusay sa pag-unawa sa konteksto at banayad na pagkakaiba ng wika. Kapag may ipinasok na prompt, hindi lamang binabasa ng modelo ng GPT ang mga salita ngunit nauunawaan din ang layunin at banayad na kahulugan sa likod ng mga ito. Ang pag-unawang ito ay mahalaga para sa pagsasalin ng abstract o kumplikadong mga ideya sa mga visual na elemento na maaaring samantalahin ng bahagi ng pagbuo ng larawan ng DALL-E.

Kung ang paunang pahiwatig ay hindi malinaw o masyadong malawak, ang modelo ng GPT ay maaaring makatulong na pinuhin o palawakin ang pahiwatig. Sa pamamagitan ng malawak na pagsasanay sa wika at iba't ibang paksa, maaari itong magpahiwatig kung aling mga detalye ang maaaring may kaugnayan o kawili-wili sa isang larawan, kahit na hindi tahasang binanggit sa orihinal na prompt.

Ang modelo ng GPT ay maaari ding tumukoy ng mga posibleng error o ambiguity sa mga pahiwatig. Halimbawa, kung ang isang prompt ay naglalaman ng mga katotohanang hindi pagkakapare-pareho o nakakalito na wika, maaaring itama ng modelo ang error o humingi ng paglilinaw, na tinitiyak na ang panghuling input sa generator ng imahe ay malinaw at tumpak hangga't maaari.

Kapansin-pansin, ang papel ng GPT ay hindi limitado sa pag-unawa at pagpipino, maaari rin itong magdagdag ng isang layer ng pagkamalikhain. Sa malawak na pagsasanay, maaari itong makabuo ng natatangi o mapanlikhang interpretasyon ng mga pahiwatig, na nagtutulak sa mga limitasyon ng pagbuo ng imahe.

Sa esensya, ang modelo ng wika ng GPT ay isang matalinong tagapamagitan sa pagitan ng input ng user at mga kakayahan sa pagbuo ng imahe ng DALL-E. Hindi lamang nila tinitiyak na tumpak na nauunawaan ang mga senyas, pinapayaman din ang mga ito at na-optimize upang makagawa ng pinaka-nauugnay at malikhaing visual na output.

Ano ang gamit ng DALL-E?

Ang mga larangan ng aplikasyon ng DALL-E ay magkakaiba. Maaari itong magamit upang lumikha ng iba't ibang mga visual na elemento, na nagbibigay ng malikhaing at disenyo ng suporta para sa iba't ibang mga industriya at paggamit.

graphic na disenyo:

Ang DALL-E ay maaaring bumuo ng natatangi at nakakahimok na pagsasanay sa mga larawan, teksto, at iba pang mga set ng data upang makakuha ng malalim na pag-unawa sa mga ugnayan sa pagitan ng iba't ibang mga konsepto.

Sa ganitong paraan, nakakagawa sila ng mga nobelang output na lubos na makatotohanan at tumpak na tumutugma sa ibinigay na mga pahiwatig.

Halimbawa, ang isang AI na sinanay lamang sa mga larawan ng mga pusa ay hindi maiisip ang mga bagong species ng hayop tulad ng "flamingo at mga leon."

At sa pamamagitan ng pagsasanay sa milyun-milyong larawan, teksto, at audio ng iba't ibang mga hayop, tao, mga laruan, at higit pa, maaaring pagsamahin ng generative model ang mga resulta ng pag-aaral na ito upang makabuo ng mga hybrid gaya ng "flamingo at leon."

Sa pinakabagong bersyon ng DALL-E 3, ang kakayahang lumikha ng mga bagong bagay ay mas malakas. Nagpapakita ito ng mga bagong talento sa tumpak na pagbibigay-kahulugan sa mga pahiwatig at pagkuha ng mga banayad na pagkakaiba at mga detalye na hindi nakuha ng mga nakaraang modelo.

Kung ikukumpara sa mga dating generator ng artificial intelligence, ang DALL-E 3 ay nagpapakita ng mas mahusay na mga kakayahan sa pag-unawa kapag tumatanggap ng mga kumplikadong tagubilin. Habang ang mga nakaraang generator ay madalas na gumagawa ng mga hindi inaasahang resulta kapag nagpoproseso ng mga kumplikadong prompt, ang DALL-E 3 ay nagpapakita ng mahusay na pag-unawa sa wika, na nagbibigay-daan dito na mag-isip ng mga nobelang senaryo at mga karakter na lampas sa mga modelo ng pagbuo ng text-to-image.

Sa DALL-E 3, ang koneksyon sa pagitan ng wika at imahe ay mas malakas, kaya maaari nitong bigyang-kahulugan ang konteksto ng prompt sa halip na basahin lamang ito mula sa script. Ang mga resultang nabuo ay maaaring napakalapit sa mga pangangailangan ng user.

Narito ang isang halimbawa ng isang simpleng prompt: "Isipin ang isang flamingo lion."

Output ng larawan:

Kaya, paano ito nakakamit? Ang kakayahang "mag-isip" ng teksto ay nagmumula sa dalawang pangunahing bahagi ng mga generative na modelo ng AI:

Mga Neural Network:

Ang neural network ay isang hierarchical algorithm network na ginagaya ang gumaganang prinsipyo ng mga neuron sa utak ng tao. Nagbibigay-daan ito sa artificial intelligence na tumukoy ng mga pattern at konsepto sa malalaking set ng data.

Algoritmo ng machine learning:

Ang mga algorithm na ito, tulad ng malalim na pag-aaral, ay patuloy na nagpapahusay sa pag-unawa ng mga neural network sa mga ugnayan ng data.

Ang mga generative na modelo ay bumubuo ng mayamang konseptong pag-unawa sa mundo sa pamamagitan ng pagsasanay sa malalaking set ng data. Maaaring i-remix ng mga tumpak na prompt ang mga resulta ng pag-aaral na ito upang makagawa ng hindi pa nakikitang output.

Paano Gumagana ang Generative Architecture ng DALL-E

Ang DALL-E ay nakakagawa ng mga imahe mula sa teksto salamat sa espesyal na idinisenyong neural network architecture:

Malaking data set:

Ang DALL-E ay sinanay sa bilyun-bilyong pares ng imahe-teksto, na nagbibigay-daan dito na matuto ng mga visual na konsepto at ang pagkakaugnay ng mga ito sa nilalamang teksto o sinasalitang wika. Ang napakalaking set ng data na ito ay nagbibigay dito ng malawak na kaalaman sa mundo.

Hierarchical na istraktura:

Ang network ay kinakatawan sa hierarchically, mula sa mataas na antas ng mga konsepto hanggang sa mga detalye. Naiintindihan ng mga nasa itaas na layer ang malawak na kategorya (tulad ng mga ibon), habang ang mga nasa ibabang layer ay nakikilala ang mga banayad na katangian (tulad ng hugis ng tuka, kulay, at posisyon sa mukha).

Encoding ng teksto:

Sa kaalamang ito, nagagawa ng DALL-E na i-convert ang mga nakasulat na salita sa mga representasyong matematikal. Halimbawa, kapag nag-type tayo ng "flamingo lion", alam nito kung ano ang flamingo at leon at kayang pagsamahin ang magkaibang katangian ng dalawang hayop. Sa pamamagitan ng ganitong uri ng pagsasalin, ang textual input ay maaaring makabuo ng visual na output.

Ang advanced na arkitektura na ito ay tumutulong sa DALL-E na bumuo ng mga malikhain at magkakaugnay na mga imahe batay sa tumpak na mga pahiwatig ng teksto.

Ngayon, alam namin na ang mga teknikal na isyu ay maaaring maging kumplikado, ngunit para sa end user, ang operasyon ay napaka-simple.

Magbigay lamang ng mga tip at bumuo ng mga nakamamanghang larawan.

Mga modelo ng wika at DALL-E

Ang isang mahalagang bahagi ng arkitektura ng DALL-E ay ang modelo ng wika ng GPT (Generative Pretrained Transformer). Ang mga modelong ito ay gumaganap ng isang mahalagang papel sa pagbibigay-kahulugan at pagpino ng mga pahiwatig upang ma-optimize ang pagbuo ng imahe.

Ang mga modelo ng GPT ay mahusay sa pag-unawa sa konteksto at mga nuances ng wika. Kapag na-prompt, hindi lamang nakikilala ng modelong GPT ang mga salita ngunit nauunawaan din ang layunin at banayad na kahulugan sa likod ng mga ito. Ang pag-unawang ito ay mahalaga para sa pagsasalin ng abstract o kumplikadong mga ideya sa mga visual na elemento na maaaring pagsamantalahan ng bahagi ng pagbuo ng larawan ng DALL-E.

Kung ang paunang prompt ay maaaring malabo o masyadong malawak, ang modelo ng GPT ay maaaring makatulong na pinuhin o palawakin ang prompt. Sa pamamagitan ng malawak na pagsasanay sa wika at iba't ibang paksa, maaari itong magpahiwatig kung anong mga detalye ang maaaring may kaugnayan o kawili-wili sa isang larawan, kahit na ang mga ito ay hindi tahasang binanggit sa orihinal na prompt.

Nagagawa rin ng modelo ng GPT na tukuyin ang mga posibleng error o ambiguity sa mga pahiwatig. Halimbawa, kung ang isang prompt ay naglalaman ng mga katotohanang hindi pagkakapare-pareho o nakakalito na wika, maaaring itama ng modelo ang error o humingi ng paglilinaw, na tinitiyak na ang panghuling output ng generator ng imahe ay malinaw at tumpak hangga't maaari.

Kapansin-pansin, ang papel ng GPT ay hindi limitado sa pag-unawa at pagpipino, maaari rin itong magdagdag ng isang layer ng pagkamalikhain. Sa malawak na pagsasanay, maaari itong makabuo ng natatangi o mapanlikhang interpretasyon ng mga pahiwatig, na nagtutulak sa mga malikhaing limitasyon ng pagbuo ng larawan.

Sa esensya, ang modelo ng wika ng GPT ay isang matalinong tagapamagitan sa pagitan ng input ng user at mga kakayahan sa pagbuo ng imahe ng DALL-E. Hindi lamang nito tinitiyak na tumpak na nauunawaan ang mga senyas, ngunit pinapayaman din ang mga ito at na-optimize upang makagawa ng pinaka-nauugnay at malikhaing visual na output.

Paglalapat ng DALL-E

Ang DALL-E ay higit pa sa isang cool na pagpapakita ng teknolohiya, mayroon itong maraming praktikal na aplikasyon.

1. Malikhaing disenyo:

Madaling napagtanto ng mga taga-disenyo ang kanilang mga malikhaing ideya sa DALL-E. Kahit na ito ay isang natatanging konsepto ng produkto, imahe sa advertising, o masining na gawain, ang DALL-E ay maaaring mag-inject ng bagong inspirasyon sa larangan ng disenyo.

2. Paglikha ng Nilalaman:

Maaaring gamitin ng mga manunulat at tagalikha ang DALL-E upang bumuo ng mga visual na elemento para sa kanilang mga kuwento, artikulo o komiks. Nakakatulong ito upang pagyamanin ang kanilang mga nilikha at gawing mas kaakit-akit ang mga ito.

3. Visual na merchandising:

Maaaring gamitin ng mga brand at marketing team ang DALL-E para gumawa ng mga kapansin-pansing ad, poster at iba pang materyal na pang-promosyon. Nakakatulong ito na mapataas ang kaalaman sa brand at makahikayat ng mas maraming target na madla.

4. Tulong sa edukasyon:

Maaaring gamitin ng mga tagapagturo ang DALL-E upang makabuo ng mga larawan upang gawing mas masigla at kawili-wili ang mga materyales sa pagtuturo. Mas mauunawaan ng mga mag-aaral ang mga kumplikadong konsepto sa pamamagitan ng mga visual na elemento.

5. Paglikha ng virtual na eksena:

Maaaring gamitin ng mga producer ng pelikula at telebisyon at mga developer ng laro ang DALL-E upang makabuo ng mga natatanging eksena, karakter at props upang magdagdag ng kulay sa kanilang mga gawa.

Ito ay dulo lamang ng malaking bato ng yelo ng DALL-E, at ang mga lugar ng aplikasyon nito ay lumalawak pa rin. Nagdadala ito ng walang uliran na pagkamalikhain at kahusayan sa lahat ng antas ng pamumuhay.

bilang konklusyon

Sa alon ng artificial intelligence, ang DALL-E ay walang alinlangan na isang maitim na kabayo. Ipinapakita nito ang mga pambihirang kakayahan ng artificial intelligence sa pagbuo ng larawan, na nagbibigay ng makapangyarihang mga tool para sa mga creator, designer, at mga propesyonal sa marketing.

Sa pamamagitan ng malalim na pag-aaral at mga advanced na neural network, hindi lamang nauunawaan ng DALL-E ang mga textual na senyas, ngunit malikhain din itong ginagawang nakamamanghang visual na nilalaman. Pinagsasama ng proseso ng pagbuo nito ang generative artificial intelligence at mga modelo ng wika upang mabigyan ang mga user ng simple at mahusay na karanasan.

Maging ito ay malikhaing disenyo, paglikha ng nilalaman o marketing, ang DALL-E ay nag-inject ng bagong sigla sa iba't ibang industriya. Ito ay hindi lamang ang tuktok ng teknolohiya, ngunit din ang pinagmulan ng walang limitasyong pagkamalikhain.

Habang patuloy na umuunlad ang teknolohiya, maaari nating asahan na ang mga hinaharap na bersyon ng DALL-E ay magdadala ng higit pang mga sorpresa at mag-iiniksyon ng higit na sigla sa larangan ng artificial intelligence.