Вся программа 9 класса · 5.5. Системы искусственного интеллекта для создания изображений
В обзоре сказано: «Все генераторы рисуют пиксели по одному; дискриминатор гарантирует правду, а диффузия возвращает любую фотографию без потерь». Какие разные идеи здесь смешаны и что позволяют объяснить готовые схемы?
Учителю: подготовка и план на 45 минут
Подготовьте: экран или распечатки, тетради, ручки и калькулятор. Все таблицы, тексты и ключи находятся в статье и PDF. Ключи открывайте после самостоятельной попытки; ученические листы печатайте отдельно от раздела учителя.
Вариант без регистрации: работайте по готовым материалам и учебным журналам на экране или бумаге. Ученики не создают аккаунтов и не передают личных данных. Учебная имитация позволяет проверить рассуждение, но не заменяет настоящий эксперимент с сервисом.
| Время | Этап | Результат |
|---|---|---|
| 0–5 | Проблемная ситуация | Первое решение и основания |
| 5–14 | Теория и разобранный пример | Понятия, доказательства и ограничения |
| 14–25 | Практика 1 | Проверяемый результат по критериям |
| 25–33 | Практика 2 | Перенос в новые условия |
| 33–40 | Обсуждение | Аргумент, возражение, общее решение |
| 40–45 | Индивидуальная проверка | Самостоятельный ответ и сверка |
Что собрать: результаты двух практик, основания вывода и индивидуальную проверку. Минуты включают чтение, обсуждение и запись; раздел соответствия программе предназначен учителю вне этих 45 минут. При 0–1 балле в проверке вернитесь к разобранному примеру; при 2–3 уточните пропущенное звено; при 4 предложите новый случай. Критерии нужны для обратной связи, не задают обязательную школьную отметку.
01. Проблемная ситуация
В обзоре сказано: «Все генераторы рисуют пиксели по одному; дискриминатор гарантирует правду, а диффузия возвращает любую фотографию без потерь». Какие разные идеи здесь смешаны и что позволяют объяснить готовые схемы?
За 1 минуту прочитайте ситуацию; за 2 запишите предварительное решение и основание; за 2 сравните с соседом и назовите недостающую проверку. Случаи, числа и реплики условного ИИ созданы для обучения, не являются результатами испытания действующего сервиса.
02. Объяснение и разобранный пример
5–14 минут: 4 минуты — понятия; 3 — совместный разбор; 2 — проверка ограничений примера.
Автоэнкодер учится кодировать данные в компактное представление и декодировать их. Вариационный автоэнкодер, VAE, использует вероятностное скрытое представление: можно брать его вариант и получать изображение через декодер. Это не ZIP-архив с обещанием точного восстановления каждого пикселя. Генеративная часть не требует обязательно входной фотографии каждого будущего результата.
GAN содержит генератор и дискриминатор в процессе обучения. Генератор предлагает варианты, дискриминатор учится различать учебные реальные примеры и предложенные. Обратная связь помогает менять параметры; дискриминатор не проверяет истинность изображённого события и не даёт юридического разрешения. Для получения результата после обучения обычно используют генератор, а не обязательный новый спор двух людей.
Авторегрессионный подход создаёт последовательность элементов, оценивая следующий по уже известным предыдущим. В PixelRNN пример — последовательное предсказание пикселей. Генерация не видит ещё не выбранные будущие элементы. В других архитектурах элементами могут быть не отдельные пиксели, поэтому название подхода не означает всегда один и тот же формат.
Диффузионный подход учит модель уменьшать добавленный шум. При генерации из случайного начального состояния шаг за шагом получают структурированный результат; в условной системе запрос может направлять процесс. Это не поиск утраченного «истинного оригинала» любой фотографии. В латентной диффузии шаги идут в обученном компактном представлении с последующим декодированием; реальные системы могут сочетать идеи.
Четыре опорные работы: VAE 2013, GAN 2014, PixelRNN 2016, DDPM 2020. Это даты выбранных публикаций, не утверждение, что вся история началась в эти годы или что качество всегда растёт по одной линии. Сравниваем вход, обучающую задачу, генерацию, ограничения и проверку; формулы обучения не выводим.
Разобранный пример. Фраза «из шума через несколько уменьшений шума» соответствует диффузионной идее, а «следующая клетка зависит от уже заполненных» — авторегрессионной. В обоих случаях красивый результат остаётся созданным вариантом. Дискриминатор GAN оценивает отличие от учебного распределения, а не реальность события.
03. Практика 1: Сопоставьте четыре схемы
| Карточка операции | Что происходит |
|---|---|
| А | Кодировщик получает пример, формирует вероятностное скрытое представление; декодер получает выбранный вариант представления |
| Б | Один блок создаёт пример, другой во время обучения различает его и учебные примеры; оба меняют параметры |
| В | Последовательность заполняется по очереди; следующий элемент зависит от уже заполненной части |
| Г | К входу добавляют шум для обучения; генеративный путь уменьшает шум несколькими шагами |
Схемы нарисованы автором для сравнения. Они не являются изображениями настоящих вычислений, метриками качества или результатами запуска нейросетей. Создайте таблицу «название — обучающая идея — путь генерации — ограничение — критерий проверки». Подписывайте, когда речь об обучении, а когда о получении результата.
- За 2 минуты сопоставьте А–Г с четырьмя названиями и отметьте ключевую операцию.
- За 4 минуты заполните пять столбцов сравнительной таблицы, не объявляя подходы одинаковыми.
- За 3 минуты исправьте три обещания обзора и покажите, какую схему каждое искажает.
- За 2 минуты сформулируйте общий критерий пригодности изображения, который не определяется названием модели.
Форма результата: Сравнительная таблица четырёх подходов и исправленный обзор.
Критерии: По 1 баллу: четыре соответствия; сравнение обучения/генерации; три исправления; критерии и ограничения. Всего 4.
Ответ, объяснение и критерии для учителя
А — VAE: вероятностное скрытое представление/декодирование; не гарантия без потерь. Б — GAN: состязательное обучение генератора/дискриминатора; не проверка истинности события. В — авторегрессия: последовательный выбор по предыдущей части; не доступ к будущему. Г — диффузия: обучение уменьшению шума и многократные шаги генерации; не обязательное восстановление истинного оригинала. Не все подходы рисуют отдельные пиксели по одному, дискриминатор не гарантирует правду, диффузия не обещает безошибочное восстановление любого снимка. Общие проверки: соответствует ли заданию, сохранены ли нужные признаки, честны ли происхождение/подпись и допустимы ли условия использования. В реальных системах идеи могут сочетаться.
Оценка: По 1 баллу: четыре соответствия; сравнение обучения/генерации; три исправления; критерии и ограничения. Всего 4.
04. Практика 2: Проверьте две бумажные аналогии
| Аналогия | Готовые данные |
|---|---|
| Последовательность | Девять клеток в порядке по строкам:1,0,1,0,1,0,1,0,1. После первой строки известно только 1,0,1; остальное ещё не выбрано. |
| Уменьшение шума | Учебный эталон четырёх чисел:0,1,1,0. Состояния: А=(0,1,0,1); Б=(0,1,1,1); В=(0,1,1,0). |
| Мера для аналогии | Число несовпадающих позиций с эталоном; это учебная мера, не функция обучения настоящей диффузионной модели |
| Новое утверждение | «Если В совпало с учебным эталоном, любой реальный объект восстановится точно». |
Покажите порядок заполнения клеток и сравните три состояния по указанной мере. Сами последовательности выбраны автором: бумажная работа не обучает PixelRNN или DDPM. Сгенерированное изображение без известного оригинала не имеет такого доступного эталона.
- За 2 минуты нарисуйте 3×3 клетки, заполните первую строку и покажите, что ещё не известно на этом шаге.
- За 3 минуты вычислите несовпадения А/Б/В и объясните изменение по заданной мере.
- За 2 минуты исправьте новое утверждение, отделив учебный эталон от генерации без оригинала.
- За 1 минуту объясните по одной границе аналогии с каждым из двух подходов.
Форма результата: Сетка3×3, расчёт трёх состояний и объяснение двух ограничений.
Критерии: По 1 баллу: порядок/неизвестное; мера и изменение; исправление гарантии; две границы аналогии. Всего 4.
Ответ, объяснение и критерии для учителя
После первой строки известно 1,0,1; следующие шесть элементов ещё не выбраны, нельзя считать их входной подсказкой. В готовой полной последовательности девять значений даны для проверки порядка, не для настоящего предсказания. Несовпадения: А2 (позиции 3/4), Б1 (позиция 4), В0. Учебная мера уменьшается 2→1→0. Это не доказательство, что настоящая диффузия меняет по одной неправильной клетке или всегда достигает точного оригинала. При создании из шума обычно нет заданного истинного снимка: проверяют задачу/согласованность, не считают совпадение с неизвестным оригиналом. Последовательная аналогия теряет вероятности/обученные параметры, диффузионная — реальные шумовые процессы и обучаемое предсказание.
Оценка: По 1 баллу: порядок/неизвестное; мера и изменение; исправление гарантии; две границы аналогии. Всего 4.
05. Обсуждение: аргумент и возражение
Тезис: «Название самой новой архитектуры достаточно для выбора». За 2 минуты назовите пользу развития; за 3 возразите по комбинациям и задачам; за 2 согласуйте критерии испытания.
Ожидаемое рассуждение и критерии обсуждения
Дата и название объясняют происхождение идеи, но не качество конкретного продукта в наших условиях. Нужны подходящая задача, данные, реальные проверочные результаты, ограничения и условия. Сравнивают конкретные системы по одинаковому заданию, не объявляют победителя по году.
Критерии: аргумент по материалу; содержательное возражение; условие итогового решения; роль человека. По 1 баллу, всего 4.
06. Индивидуальная проверка понимания
Материал: «Генератор получает скрытое представление и декодирует вариант. Исходная фотография для каждого нового результата не нужна». Назовите подход, роль представления, недопустимую гарантию и способ проверки изображения.
За 3 минуты запишите ответ; за минуту сверьте ключ и исправьте другим цветом; за последнюю минуту сдайте запись. По 1 баллу за каждый из четырёх содержательных элементов.
Ключ и критерии: 4 балла
VAE/вариационный автоэнкодер; представление задаёт компактный вероятностный вариант для декодера. Нельзя гарантировать точное восстановление всех пикселей или истинность события. Проверить заданные признаки/согласованность и происхождение/подпись, а не только узнаваемость. По 1 за элемент.
07. Связь с исходной программой
Пункт программы → действие → проверяемый результат
| Пункт программы | Действие ученика | Что проверяет учитель |
|---|---|---|
| Характеризовать вариационный автоэнкодер или автокодировщик, принципы его работы, цели и задачи. | Сопоставляет кодирование и генерацию | Знает роль вероятностного представления |
| Характеризовать генеративно-состязательную сеть, принципы её работы, цели и задачи. | Объясняет два блока и этап обучения | Не считает дискриминатор доказательством |
| Характеризовать авторегрессионные модели: функцонал, цели и задачи. | Прослеживает порядок элементов | Различает известную и будущую часть |
| Характеризовать диффузионные модели и их перспективы. | Сравнивает шаги и ограничения аналогии | Не обещает восстановление истинного оригинала |
| Анализировать информацию таблицы с параметрами сравнения моделей. | Создаёт сравнительную таблицу | Есть общие критерии и различия |
Матрица относится к результатам данного урока. Другие существенные результаты модуля раскрываются в остальных уроках по опубликованному плану.
Источники и права на материалы
Основа содержания и результатов — исходная программа класса. Поурочное название и учебные случаи — авторская методическая развёртка, не дословные названия модулей программы. Числовые наборы, реплики условных помощников и ситуации специально подготовлены для урока. Учебные журналы не являются результатами испытания реального ИИ.
Kingma и Welling,2013: Auto-Encoding Variational Bayes, первичная публикация — источник для понятий и проверки; учебные задания разработаны отдельно.
Goodfellow и соавторы,2014: Generative Adversarial Networks — источник для понятий и проверки; учебные задания разработаны отдельно.
van den Oord и соавторы,2016: Pixel Recurrent Neural Networks — источник для понятий и проверки; учебные задания разработаны отдельно.
Ho, Jain, Abbeel,2020: Denoising Diffusion Probabilistic Models — источник для понятий и проверки; учебные задания разработаны отдельно.
Rombach и соавторы,2021: High-Resolution Image Synthesis with Latent Diffusion Models — источник для понятий и проверки; учебные задания разработаны отдельно.
Логотип «Школы России» используется в материалах портала; авторские схемы предназначены для учебной работы. Внешние материалы сохраняют указанные условия использования.