chattr +i file执行结果为（一个令人惊艳的ChatGPT项目，开源了！）

最近在GitHub上发现了一个爆火的开源项目    
    
。

好家伙    
    
    
，凑近一看


     


     


，居然还是由微软开源
 




 




 ，并且和最近炙手可热的ChatGPT息息相关     


     


     。

项目的名字叫做：Visual ChatGPT




 




 



。

https://github.com/microsoft/visual-chatgpt

这个项目最早是3月上旬微软开源的   

   

   
，项目宣布开源后仅用了短短一周 

     

     

，就斩获了2w+ star
   

   

。

到现在为止

  




  




 ，距离当初项目开源大约过去了3周多  


  


  
，仓库star数则来到了28k+  
     
     
，亦可谓是火箭式上涨（doge）     

     

    。

众所周知


   




   




 ，ChatGPT自2022年11月推出以来 



 



 
，持续走红 




  




  


。

ChatGPT具备强大的会话能力             ，可以理解文字    
    
、聊天     


     


     、写小说




 




 



、解答问题
   

   

、编写代码… 但是目前还并不能直接处理或生成图像

  


  


。

而Visual ChatGPT这个项目则可以把ChatGPT和一系列视觉基础模型（VFM



    




    




 ，Visual Foundation Model）给联系起来










，以便实现在ChatGPT聊天的过程中来发送和接收图像              ，也使得ChatGPT能够处理更为复杂的视觉任务     
     
   。

讲白了



     



     



 ，就是通过Visual ChatGPT









，可以把一系列视觉基础模型给接入ChatGPT    
    
    
，使得ChatGPT能胜任更为复杂的视觉处理任务  




   




   

。

Visual ChatGPT的整体技术架构图如上所示


     


     


，我们可以清楚地看到ChatGPT和视觉基础模型（VFM
 




 




 ，Visual Foundation Model）分别位于其中的位置


 



 



。

一方面   

   

   
，ChatGPT(或LLM)作为一个通用接口 

     

     

，继续发挥它本身的优势

  




  




 ，提供对不同话题的智能理解            。另一方面  


  


  
，基础视觉模型VFM则通过提供特定领域的深入知识来充当领域专家  
     
     
，它们通过交互管理模块（Prompt Manger）进行连接和适配   




    




    
。

这样聊可能比较抽象


   




   




 ，我们可以拿官方给的一个例子来进行说明：

1     

     

    、首先是用户：输入一张黄色的向日葵图片 



 



 
，并且要求ChatGPT根据该图像预测深度来生成一朵红花             ，然后再一步一步将其做成卡通画













。

2 




  




  


、接着是交互管理模块（Prompt Manger）发挥作用



    




    




 ，在它的协调和控制下










，VFM模块开始发挥作用：

首先需要运用深度估计模型来预测并生成图像的深度信息； 然后需要运用深度图像模型来生成对应空间深度的红花图像； 最后运用Stable Diffusion的风格迁移模型来完成图像风格的变换           。

3

  


  


、最后Visual ChatGPT系统再将最终结果返回给用户              ，完成本次对话    



     



     。

说到这里



     



     



 ，有兴趣的小伙伴可以可以看看微软给出的一篇有关Visual ChatGPT的论文














。

里面关于这部分的流程解释得非常详细









，而且还给出了多轮对话的案例     
     
   、以及实验结果    
    
    
，有兴趣的小伙伴可以看看    
    
。

好了


     


     


，今天的分享就到这里了
 




 




 ，感谢大家的收看   

   

   
，我们下篇见     


     


     。

注：本文在GitHub开源仓库「编程之路」 https://github.com/rd2coding/Road2Coding 中已经收录 

     

     

，里面有我整理的6大编程方向(岗位)的自学路线+知识点大梳理  




   




   

、面试考点


 



 



、我的简历            、几本硬核pdf笔记

  




  




 ，以及程序员生活和感悟  


  


  
，欢迎star




 




 



。