Introduction

⚠️ IMPORTANT

Le cours original date de 2023 et a été traduit en français 2 mois après sa sortie.
Cependant, le répertoire GitHub du cours original n'a pas été configuré pour accueillir des traductions (c'était planifié par les équipes d'Hugging Face mais n'a finalement jamais été fait). Ainsi la traduction française n'apparaît pas sur hf.co/learn.
Ainsi, j'ai créé ce site comme alternative.

Bienvenue au cours sur les modèles de diffusion 🤗 !

À quoi s’attendre ?

Dans ce cours gratuit, vous allez :

  • 👩‍🎓 Étudier la théorie des modèles de diffusion
  • 🧨 Apprendre à générer des images et de l’audio avec la bibliothèque populaire 🤗 Diffusers
  • 🏋️‍♂️ Entraîner vos propres modèles de diffusion à partir de zéro
  • 📻 Affiner des modèles de diffusion existants sur de nouveaux jeux de données
  • 🗺 Explorer la génération conditionnelle et le guidage
  • 🧑‍🔬 Créer vos propres pipelines de modèles de diffusion personnalisés

Prérequis

Ce cours requiert un bon niveau en Python et des bases en apprentissage profond et Pytorch. Si ce n’est pas encore le cas, vous pouvez consulter ces ressources gratuites (en anglais) :

Pour pousser vos modèles sur le Hub d’Hugging Face, vous aurez besoin d’un compte. Vous pouvez en créer un gratuitement à l’adresse suivante : https://huggingface.co/join.

Quel est le programme ?

Le cours est constitué de quatre unités. Chacune d’elle est composée d’une partie théorie listant également des ressources / papiers, ainsi que de deux notebooks. Plus précisément, nous avons :

  • Unité 1 : Introduction aux modèles de diffusion
    Introduction à 🤗 Diffusers et implémentation à partir de 0
  • Unité 2 : Finetuning et guidage
    Finetuner un modèle de diffusion sur de nouvelles données et ajout du guidage
  • Unité 3 : Stable Diffusion
    Exploration d’un puissant modèle de diffusion latent conditionné par le texte
  • Unité 4 : Faire plus avec la diffusion
    Techniques avancées pour aller plus loin dans la diffusion

Les auteurs du cours

Les auteurs de la version anglaise du cours sont :

Jonathan Whitaker est est un Data Scientist travaillant dans l’équipe R&D d’answer.ai. Il aime enseigner et créer des cours. Il se concentre actuellement sur l’IA générative, alternant entre plusieurs modalités. Vous pouvez trouver plus d’informations à le concernant sur son site personelle.

Lewis Tunstall est ingénieur en apprentissage machine chez Hugging Face et dévoué au développement d’outils open source avec la volonté de les rendre accessibles à une communauté plus large. Il est également co-auteur du livre Natural Language Processing with Transformers.

FAQ

Voici quelques réponses aux questions fréquemment posées sur la version anglaise :

  • Suivre ce cours mène-t-il à une certification ?
    Actuellement, nous n’avons pas de certification pour ce cours.

  • Combien de temps dois-je consacrer à ce cours ?
    Chaque chapitre de ce cours est conçu pour être complété en une semaine, avec environ 6 à 8 heures de travail par unité. Cependant, vous pouvez prendre tout le temps nécessaire pour le suivre.

  • Où puis-je poser une question si j’en ai une ?
    Nous vous conseillons de la poser dans le channel #diffusion-models-class du Discord d’Hugging Face.

  • Peut-on réutiliser ce cours?
    Bien sûr ! Le cours est publié sous la licence Apache 2 license. Cela signifie que vous devez créditer de manière appropriée, fournir un lien vers la licence et indiquer si des modifications ont été apportées. Vous pouvez le faire de toute manière raisonnable, mais pas d’une façon qui suggère que le distributeur de la licence vous approuve ou approuve votre utilisation. Si vous souhaitez citer le cours, veuillez utiliser le BibTeX suivant :

@misc{huggingfacecourse,
  author = {Hugging Face},
  title = {The Hugging Face Diffusion Models Course, 2022},
  howpublished = "\url{https://huggingface.co/course}",
  year = {2022},
  note = "[Online; accessed <today>]"
}

C’est parti !

Êtes-vous prêt à commencer ? Alors rendez vous à la première unité pour débuter le cours.