為什麼事件管理如此重要? #
事件管理指導 IT 團隊針對任何事件做出最合適的回應。事件管理會建立一個系統,因此 IT 團隊可以取得所有相關詳細資訊以供進一步學習。可以將事件管理視為手冊,用於快速恢復正常營運,同時最大限度地減少對內部和外部客戶的干擾。
如果沒有適當的系統,事件復原不可避免地會導致重複的錯誤和資源的濫用,並對組織產生更嚴重的負面影響。接下來,我們將討論如何從事件管理中受益。
減少事件發生率 #
透過在發生事件時仔細閱讀手冊,團隊可以儘快解決事件。同時,隨著時間的推移,事件管理還可以減少事件發生率。當您在 IM 流程的早期辨識風險時,將來發生事故的幾率就會降低。擷取完整的事件鑑識有助於進行主動補救,並有助於防止以後發生類似事件。
改善效能 #
在 IT 事件管理中使用有效而敏感的監控時,您可以辨識並調查品質的較小幅度降低。您也可以探索改善效能的新方法。隨著時間的推移,IT 團隊可以判斷服務事件辨識模式的品質,從而實現預測性補救和持續服務。
高效的協作 #
不同的團隊通常必須協同工作進行事件復原。可以透過概述事件回應框架內各方的溝通指南來顯著改善協作。您還可以更有效地管理利害關係人的情緒。
為什麼 Stable Diffusion 如此重要? #
Stable Diffusion 非常重要,因為它易於存取且可輕鬆使用。Stable Diffusion 可以在消費級圖形卡上運行。這是第一次任何人都可以下載模型並產生自己的影像。您還可以控制關鍵的超參數,例如去雜訊步驟的數量和施加的雜訊程度。
Stable Diffusion 便於使用者使用,您無需其他資訊即可建立影像。Stable Diffusion 有一個活躍的社群,因此存在大量的相關文件和操作教程。該軟體版本受 Creative ML OpenRail-M 授權的約束,該授權允許您使用、變更和重新分發修改後的軟體。如果您發佈了衍生軟體,則必須在同一授權下發佈該軟體,並附上原始 Stable Diffusion 授權的副本。
Stable Diffusion 如何運作? #
作為擴散模型,Stable Diffusion 不同於許多其他影像產生模型。原則上,擴散模型使用高斯雜訊對影像進行編碼。然後,模型使用雜訊預測器和反向擴散程序來重現影像。
除了具有不同的擴散模型技術之外,Stable Diffusion 的獨特之處在於它不使用影像的圖元空間。相反,它使用降低解析度的潛在空間。
其原因是,解析度為 512×512 的彩色影像具有 786,432 個可能的值。相比之下,Stable Diffusion 使用的壓縮影像要小 48 倍,其值為 16,384。這就大幅度降低了處理要求。因此,您可以在帶有 8GB RAM 的 NVIDIA GPU 的桌上型電腦上使用 Stable Diffusion。較小的潛在空間之所以可發揮作用,是因為自然影像不是隨機的。Stable Diffusion 使用解碼器中的變分自動編碼器 (VAE) 檔來繪製眼睛等精細細節。
使用 LAION 透過 Common Crawl 收集的三個資料集訓練 Stable Diffusion V1。這包括美學評分為 6 或更高的 LAION-Aesthetics v2.6 影像資料集。
Stable Diffusion 使用何種架構? #
Stable Diffusion 的主要架構元件包括變分自動編碼器、正向和反向擴散、雜訊預測器和文字調整。
变分自动编码器 #
變分自動編碼器由單獨的編碼器和解碼器組成。編碼器在更易於操作的潛在空間中將 512×512 圖元的影像壓縮成更小的 64×64 模型。解碼器將模型從潛在空間復原為全尺寸 512×512 圖元的影像。
正向擴散 #
正向擴散逐漸向影像新增高斯雜訊,直到剩下的全部是隨機雜訊。無法從最終充滿雜訊的影像中識別出原始影像。在訓練期間,所有影像都會經過此程序。除非執行影像間的轉換,否則不會進一步使用正向擴散。
反向擴散 #
此程序本質上是一個參數化的過程,其會迭代撤消正向擴散。例如,可以僅使用兩張影像來訓練模型,例如貓和狗的圖片。如果採用此程序,反向程序就會偏向貓或狗,而非兩者之間的任何動物。實際上,模型訓練涉及數十億張影像,並使用提示來建立獨特的影像。
雜訊預測器 (U-Net) #
雜訊預測器是對影像去雜訊的關鍵所在。Stable Diffusion 使用 U-Net 模型來執行去雜訊。U-Net 模型是最初為生物醫學中的影像分割而開發的卷積神經網路。特別是,Stable Diffusion 使用為電腦視覺開發的殘差神經網路 (ResNet) 模型。
雜訊預測器會估計潛在空間中的雜訊量,並從影像中減去此雜訊量。它會重複此程序指定的次數,並根據使用者指定的步驟降低雜訊。雜訊預測器對於協助決定最終影像的調整提示很敏感。
文字調整 #
最常見的調整形式是文字提示。CLIP 分詞器分析文字提示中的每個字詞,並將這些資料嵌入 768 個值的向量中。最多可以在提示中使用 75 個字符。Stable Diffusion 使用文字轉換器將這些提示從文字編碼器傳送到 U-Net 雜訊預測器。透過將種子設定為亂數產生器,可以在潛在空間中產生不同的影像。
Stable Diffusion 可執行哪些動作? #
穩 Stable Diffusion 代表文字轉影像模型產生方面的顯著改進。與許多其他文字轉影像模型相比,Stable Diffusion 可以廣泛使用,並且需要更低的處理能力。它的功能包括文字轉影像、影像轉影像、圖形插圖、影像編輯和影片創作。
文字轉影像產生 #
這是人們使用 Stable Diffusion 的最常見方式。Stable Diffusion 會使用文字提示產生影像。可以透過調整隨機產生器的種子數或變更不同效果的去雜訊排程來建立不同的影像。
影像轉影像產生 #
使用輸入影像和文字提示,您可以根據輸入影像建立新影像。典型的案例是使用草圖和合適的提示。
建立圖形、插圖和標誌 #
使用一系列提示,可以建立各種風格的插圖、圖形和標誌。當然,儘管可以使用草圖來指導標誌的創作,但不可能預先確定輸出。
影像編輯與修版 #
可以使用 Stable Diffusion 來編輯和修版照片。使用 AI Editor 載入影像並使用橡皮擦畫筆遮住要編輯的區域。然後,透過產生提示來定義想要實現的目標,編輯或重新繪製圖片。例如,可以修復舊照片、移除圖片中的物件、變更主體特徵以及向圖片新增新元素。
影片創作 #
使用 GitHub 中的 Deforum 等功能,可以藉助 Stable Diffusion 創作短影片片段和動畫。另一種應用是為電影新增不同的風格。 還可以透過營造運動印象 (例如流水) 來為照片製作動畫。
AWS 如何協助採用 Stable Diffusion? #
Amazon Bedrock 是使用基礎模型建置和擴展生成式 AI 應用程式的最簡單方法。Amazon Bedrock 是一項全受管服務,可透過 API 提供領先的基礎模型 (包括 Stable Diffusion),因此您可以從各種 FM 中進行選擇,以找到最適合您的使用案例的模型。 藉助 Bedrock,您可以加快開發和部署可擴展、可靠和安全的生成式 AI 應用程式,而無需管理基礎設施。
Amazon SageMaker JumpStart 是推出各種模型、演算法和解決方案的機器學習中心,它提供數百種基礎模型的存取權限,包括效能最佳的公開基礎模型,例如 Stable Diffusion。新的基礎模型正在持續出現,包括最新版本的影像產生模型 Stable Diffusion XL 1.0。