Introduction

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) :

• Python : https://www.udacity.com/course/introduction-to-python–ud1110
• Introduction à l’apprentissage profond avec PyTorch : https://www.udacity.com/course/deep-learning-pytorch–ud188
• PyTorch en 60 min : https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html

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

Qui sommes-nous ?

À propos des auteurs de ce cours :

Jonathan Whitaker est TODO.

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 :

• 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 ?
  Si vous avez une question sur l’une des sections du cours, il vous suffit de cliquer sur la bannière « Ask a question » en haut de la page pour être automatiquement redirigé vers le Discord de Hugging Face pour poser votre question dans le channel #diffusion-models-class.

• Où puis-je obtenir le code du cours ?
  Pour chaque section, vous pouvez cliquer sur la bannière en haut de la page pour exécuter son code :

• Comment puis-je contribuer au cours ?
  Il existe de nombreuses façons de contribuer au cours ! Si vous trouvez une coquille ou un bug, veuillez ouvrir une « Issue » sur le dépôt diffusion-models-class. Si vous souhaitez aider à traduire le cours dans votre langue maternelle, consultez les instructions ici.

• 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.