Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Đăng nhập
Xem tất cả kết quả
Menu
Đăng nhập Đăng ký miễn phí

Generative AI, from GANs to CLIP, with Python and Pytorch

Generative AI, từ GANs đến CLIP, với Python và Pytorch

Generative AI, từ GANs đến CLIP, với Python và Pytorch

Học lập trình với các kiến trúc AI sáng tạo và thú vị nhất: mạng AI sinh (generative AI), từ cơ bản đến nâng cao

4.5
(28,728 đánh giá)
76,067 học viên
Giảng viên
Javier Ideami
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 349.000đ -86%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
15.0 giờ video
125 bài giảng
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 18/03/2026
#Deep Learning #Machine Learning #Python #Pytorch

Bạn sẽ học được gì

Cách lập trình kiến trúc A.I sinh từ đầu bằng Python và Pytorch
Hiểu sâu cách hoạt động của các kiến trúc sinh, từ GANs đến A.I đa phương thức (multimodal) và mô hình ngôn ngữ lớn (LLMs), nắm bắt mọi chi tiết nhỏ
Ngoài phần lập trình, mỗi chương đều bắt đầu bằng phần tổng quan chuyên sâu về các khái niệm then chốt liên quan đến các kiến trúc này
Ví dụ: Chúng ta sẽ lập trình một mạng sinh tạo ra khuôn mặt người, và kết hợp hai mạng nâng cao để biến đoạn văn bản thành những hình ảnh tuyệt vời.
Ví dụ: Chúng ta sẽ học cách chỉnh sửa quần áo của một người trong ảnh bằng cách kết hợp kiến trúc phân vùng (segmentation) với mô hình sinh Stable Diffusion
Khám phá Trực quan Mô hình Ngôn ngữ Lớn (LLMs): Đi sâu vào các mô hình như ChatGPT và hiểu cơ chế chú ý (attention) của chúng
Thực hành tinh chỉnh (fine-tuning) Mô hình Ngôn ngữ Lớn mã nguồn mở bằng QLoRA: bao gồm chuẩn bị dữ liệu, huấn luyện, đánh giá và kiểm định
Phần Thưởng Đặc Biệt: Hành trình vào không gian tiềm ẩn (latent space) của mạng nơ-ron, tìm hiểu sâu cách các mạng lưới đằng sau Generative AI học các ánh xạ của chúng
Phần Thưởng Đặc Biệt: Trải nghiệm hình dung có hướng dẫn để rèn luyện mô hình sinh trong tâm trí bạn, đồng thời học nhiều điều về mạng nơ-ron

Yêu cầu

Kiến thức cơ bản về Python. Chỉ cần biết những điều rất cơ bản là đủ, vì chúng ta sẽ cùng nhau viết code từng chi tiết nhỏ, từng dòng một
Có kết nối internet, vì chúng ta sẽ sử dụng dịch vụ Google Colab trực tuyến miễn phí để code cùng nhau
Thật nhiều nhiệt huyết, vì chúng ta sẽ đi sâu vào từng chi tiết nhỏ, hãy cùng bắt đầu nhé! :)

Đối tượng phù hợp

Dành cho những người quan tâm đến việc sử dụng A.I và học sâu (deep learning) để tạo ra, tưởng tượng và sáng tạo những điều mới
Dành cho những người quan tâm đến mạng đối sinh (GANs) và các kiến trúc A.I sinh nâng cao khác
Dành cho những người quan tâm đến cách A.I có thể kết hợp các phương thức khác nhau (văn bản, hình ảnh) để tạo ra thứ mới (A.I đa phương thức)
Dành cho những người muốn học lập trình các kiến trúc A.I nâng cao - hiện tại và tương lai của lĩnh vực này

Nội dung khóa học

9 phần • 125 bài giảng
1 Lộ trình học, từ cơ bản đến nâng cao và hơn thế
2 Javier gửi lời chào từ con tàu vũ trụ của anh ấy
3 Cuộc cách mạng sinh: Trở về nhà
4 Hiện tại và tương lai của AI là sinh (generative)
5 Ứng dụng của Generative AI
6 Không gian tiềm ẩn và học biểu diễn
7 Điều hướng trong không gian tiềm ẩn
8 GANS: Mạng Đối Sinh (Generative Adversarial Networks)
9 Lợi ích và khả năng của Generative AI
10 Trở về nhà: generative AI và bản chất con người
11 Javier hát một bài hát dành tặng cho generative AI
1 Javier giới thiệu chương 2 từ con tàu vũ trụ của mình
2 Hiểu về cuộc chiến giữa bộ sinh (generator) và bộ phân biệt (discriminator)
3 Hiểu sâu về Cross Entropy
4 Hiểu phương trình tính toán loss của bộ phân biệt
5 Hiểu phương trình tính toán loss của bộ sinh
6 (Tùy chọn) Hướng dẫn sử dụng Google Colab
7 Lập trình: import thư viện và khai báo hàm hiển thị
8 Lập trình: siêu tham số (hyperparameters) và DataLoader
9 Lập trình: lớp bộ sinh (generator class)
10 Lập trình: lớp bộ phân biệt (discriminator class)
11 Lập trình: bộ tối ưu (optimizer) và kiểm tra bộ sinh
12 Lập trình: giá trị loss của bộ sinh và bộ phân biệt
13 Lập trình: vòng lặp huấn luyện chính, phần bộ phân biệt
14 Lập trình: vòng lặp huấn luyện chính, phần bộ sinh và thống kê
15 Lập trình: chạy quá trình huấn luyện
16 Lập trình: kết quả và kết luận
1 Javier giới thiệu chương 3 từ con tàu vũ trụ của mình
2 Thách thức và vấn đề của GAN cơ bản
3 Hàm mất mát Wasserstein
4 Hình phạt Gradient (Gradient Penalty)
5 Lập trình: thiết lập thư viện và tham số
6 Lập trình: Đăng nhập và thiết lập thư viện thống kê Wandb
7 Lập trình: Bắt đầu xây dựng bộ sinh
8 Lập trình: Hiểu về phép tích chập (convolutions)
9 Lập trình: Lớp bộ sinh
10 Lập trình: Lớp bộ phê bình (critic class)
11 Lập trình: Cách khác để khởi tạo tham số (tùy chọn)
12 Lập trình: Tải bộ dữ liệu CelebA
13 Lập trình: Khai báo dataset, dataloader và optimizers
14 Lập trình: Hình phạt gradient (gradient penalty)
15 Lập trình: Lưu và tải checkpoint
16 Lập trình: Vòng lặp huấn luyện - huấn luyện bộ phê bình
17 Lập trình: Vòng lặp huấn luyện - huấn luyện bộ sinh
18 Lập trình: Thống kê và sửa lỗi
19 Lập trình: Xem lại code trước khi chạy huấn luyện
20 Lập trình: Chạy quá trình huấn luyện
21 Lập trình: Kết quả sau một vài epoch
22 Lập trình: Kết quả sau thêm một vài epoch
23 Lập trình: Kết quả ngày càng tốt hơn
24 Lập trình: Biến hình giữa các điểm trong không gian tiềm ẩn
25 Lập trình: Thêm các phép biến hình
1 Javier giới thiệu chương 4 từ con tàu vũ trụ của mình
2 Sinh đa phương thức, một cuộc phiêu lưu đáng kinh ngạc
3 Lập trình: import các thư viện
4 Lập trình: hàm hỗ trợ và siêu tham số
5 Lập trình: Thiết lập mô hình CLIP
6 Lập trình: Thiết lập mô hình Generative transformer
7 Lập trình: Thiết lập các tham số không gian tiềm ẩn cần được tối ưu
8 Lập trình: mã hóa đoạn văn bản (prompt) thông qua CLIP
9 Lập trình: tạo các vùng cắt (crops) từ ảnh được sinh ra
10 Lập trình: hàm hiển thị ảnh được sinh và các vùng cắt
11 Lập trình: tối ưu hóa các tham số không gian tiềm ẩn
12 Lập trình: vòng lặp huấn luyện
13 Lập trình: chạy quá trình huấn luyện
14 Lập trình: nội suy giữa các điểm trong không gian tiềm ẩn
15 Lập trình: tạo video từ các phép nội suy và tổng kết
16 Lập trình: tạo các biến thể của code
17 Lập trình: Davinci Sfumato: Điều chỉnh code để tạo ra một loại kết cấu mới
18 Lập trình: Davinci Sfumato: suy ngẫm về quá trình
19 Lời chào cuối cùng từ con tàu vũ trụ
1 Giới thiệu: Thay thế và chỉnh sửa quần áo người bằng Generative AI
2 Lập trình: Thiết lập thư viện và mô hình phân vùng (segmentation)
3 Lập trình: Thiết lập mô hình sinh Stable Diffusion
4 Lập trình: Tải ảnh và chạy quá trình phân vùng để tạo mặt nạ (masks)
5 Lập trình: Hiển thị các mặt nạ được tạo ra
6 Lập trình: Inpainting, chạy và thử nghiệm với mô hình Stable Diffusion
7 Lập trình: Hướng dẫn quá trình phân vùng bằng văn bản (text prompts)
8 Lập trình: chạy mô hình sinh trong thiết lập thay thế này
9 Kết thúc chương
1 Bước vào ma trận AI: Giới thiệu hành trình đến lõi của LLMs
2 Hình ảnh hóa nâng cao lõi LLM: đoạn giới thiệu
3 Tìm hiểu sâu: ma trận chú ý (attention) khi bắt đầu huấn luyện LLM
4 Theo dõi đỉnh chú ý giữa một cặp token cụ thể
5 Theo dõi đỉnh chú ý giữa các kết nối có ý nghĩa ngữ nghĩa
6 Khám phá một tập hợp các kết nối ngữ nghĩa và cấu trúc xuyên suốt quá trình huấn luyện
7 Hình ảnh hóa việc nắm bắt các phụ thuộc tuần tự cục bộ
8 Tầm quan trọng của việc hiểu ma trận chú ý
9 Sự tiến hóa dài hạn của động lực mẫu chú ý
1 Giới thiệu: Thêm Kỹ năng Mới cho LLMs với QLoRA
2 Thiết lập Môi trường cho Dự án QLoRA
3 Thiết lập (Phần 2): Truy cập Mô hình và Tệp Dự án
4 Import, Cấu hình và Ghi nhật ký Weights & Biases
5 Giải thích Siêu tham số Chính (Tìm hiểu sâu về Cấu hình)
6 Tải Mô hình + Tokenizer, Áp dụng LoRA/QLoRA
7 Định dạng Prompt và Token hóa cho Huấn luyện
8 Chuẩn bị các tham số huấn luyện
9 Xây dựng Bộ dữ liệu LoRA (Quy trình Huấn luyện/Kiểm định)
10 Khởi chạy QLoRA Fine-Tuning
11 Đánh giá Kết quả: Mô hình Gốc vs Mô hình LoRA
12 Quy trình Đánh giá + Kiểm định (Cách chúng tôi chấm điểm chất lượng)
1 Đi tìm các Ánh xạ Kỳ diệu của Sáng tạo
2 Cuộc Tìm kiếm Ánh xạ Hoàn hảo: bộ dữ liệu và số chiều
3 Từ Tuyến tính đến Phức tạp: Mạng Nơ-ron và Tính Phi tuyến của Cuộc sống
4 Uốn cong Quy tắc: Phép biến đổi Phi tuyến và Chìa khóa của Sự phức tạp
5 Không quá Chặt, không quá Lỏng - Tìm sự vừa vặn hoàn hảo
6 Việc tăng số chiều tác động thế nào đến độ phức tạp tiềm ẩn của mạng
7 Sức mạnh của Độ sâu: Tạo ra các Ánh xạ Tinh vi với mạng AI
8 Từ đa tạp chiều cao đến các không gian tiềm ẩn động và luôn thay đổi
9 Biểu diễn kỹ thuật số nâng cao về độ phức tạp tiềm ẩn của mạng nơ-ron
10 Hình ảnh hóa Hành trình: Cảnh quan Loss và Cuộc tìm kiếm Trọng số Tối ưu
11 Ví dụ về Cảnh quan Loss động của một mạng đối sinh (GAN)
12 Lucy - Hình ảnh hóa Trực tiếp Thời gian Thực sự thay đổi trọng số của mạng nơ-ron
13 Lập bản đồ vùng sâu ẩn giấu: tóm tắt hành trình chuyển đổi trong không gian tiềm ẩn của chúng ta
1 Trải nghiệm hình dung có hướng dẫn để rèn luyện mô hình sinh trong đầu bạn
2 Giới thiệu hành trình đến trung tâm của nơ-ron
3 Vật chứa, đại dương mặn và 150000 cột vỏ não
4 Hình dung nơ-ron hình chóp
5 Synapse, hình dung giao diện đầu vào-đầu ra
6 Nơ-ron Sinh học vs Nơ-ron Nhân tạo: Đầu vào, Đầu ra, Tốc độ, v.v.
7 Học trong nơ-ron sinh học và nhân tạo
8 Lập kế hoạch, ra quyết định và mô hình thế giới
9 Hiệu quả: tính thưa thớt (sparsity) trong mạng sinh học vs nhân tạo
10 Ý thức: bên trong các nơ-ron
11 Tương lai, hướng tới AGI / ASI

Giới thiệu khóa học

Generative A.I. is the present and future of A.I. and deep learning, and it will touch every part of our lives. It is the part of A.I that is closer to our unique human capability of creating, imagining and inventing. By doing this course, you gain advanced knowledge and practical experience in the most promising part of A.I., deep learning, data science and advanced technology.

The course takes you on a fascinating journey in which you learn gradually, step by step, as we code together a range of generative architectures, from basic to advanced, until we reach multimodal A.I, where text and images are connected in incredible ways to produce amazing results.

At the beginning of each section, I explain the key concepts in great depth and then we code together, you and me, line by line, understanding everything, conquering together the challenge of building the most promising A.I architectures of today and tomorrow. After you complete the course, you will have a deep understanding of both the key concepts and the fine details of the coding process.

What a time to be alive! We are able to code and understand architectures that bring us home, home to our own human nature, capable of creating and imagining. Together, we will make it happen. Let's do it!

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Deep Learning
Hiển thị tất cả khoá học Machine Learning
Hiển thị tất cả khoá học Python
Hiển thị tất cả khoá học Pytorch
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊