## 時程表

| 時間 | 課程內容 | 備註 |
| ---- | -------- | -------- |
| ~9:15 | play | 大綱介紹 |
| ~9:17 | 開場 | 大綱介紹 |
| ~9:22 | AI繪圖史 | |
| ~9:32 | 圖片生成架構 | |
| ~9:55 | VAE | |
| ~10:15 | GAN | |
| ~10:35 | Diffusion | |
| ~10:55 | 圖片AI試用 | 順便BREAK |
| ~11:05 | 生成式影片分享 | |
| ~11:20 | 倫理 | |
| ~11:45 | 大總結 | |
| ~11:50 | QUIZZIZ | 頒獎 big ending and happyyyyyyyyyyy |
| | | |

## PPT連結

9:15-12:00(剩音樂、收尾、美編)
https://www.canva.com/design/DAGBVwxuMDc/041Zr4JwXiAuMIqe6AQS0g/edit?utm_content=DAGBVwxuMDc&utm_campaign=designshare&utm_medium=link2&utm_source=sharebutton

## quizziz
https://quizizz.com/admin/quiz/661bebe950b3acd5270d351a?source=quiz_share

## 總結

### Framework
* 這個就是一般文字生成圖形網站會有的架構，如果是直接生成圖片或圖片生圖片就不會有text encoder的部分
* 主要就是介紹圈起來的部分，text coder應該跟第一天下午有關
* 中間轉換的部分看你要當作vector/code/representation都可以

### model

### AE

* 算是一種蠻多地方都可以用到的model，很早就有的概念
* 特色就是**reconstruction**的部分
* training過後就是為了讓輸出結果不會失真

### VAE
* 特色就是加入**變數noise**的部分產生**平滑**的效果
* AE比較是像是一個一個點的概念，VAE就會把它平滑成一條線
* 過於平滑會導致糊糊的感覺
* 最後training完就是取出圖中紅色圈起來的部份，也就是只留**Decoder**的部份
(可以去對比framework的圖，變數的部分就像是最左側粉橘色的方塊圖)

### GAN
* 特色就是有**Generator與Discriminator**進行**對抗**
* training時，兩者會不斷調整內部參數
* 一次只會有一個進行調整
(簡報中有機器人在?的圖案就代表他在learning，驚嘆號就是結束learning)
* 最後只取紅色圈出來的部分，也就是**只留Generator**的部分

### Diffusion

改天再用

### 比較

#### VAN 與 Diffusion
* 概念較相近
* Encoder相當於Add noise
* Decoder相當於Denoise
* VAE加入變數的部分可能像是Diffusion的noise

#### GAN
* 相當於一個外掛的感覺，可以加在一些model的後面

### 結合
能在一定程度上解決他們的一些缺點

#### VAN+GAN


* VAE的Decoder和GAN的Generator很像
* 都是輸入vector然後輸出圖片，概念其實差不多
* 可以解決VAE生成太模糊的問題

#### Diffusion+GAN


* GAN Discriminator在進行比較時，用的是加上noise的版本
* 可以避免在比較時real image和generated image相差太大，以達到穩定模型的目的
* 針對同一張圖片加上不同種的noise
* 可以增加數據效率與generator的多樣性

## 評論
* GAN好長喔，好想刪，不然就把其他加長
* 尤其是Diffusion超短
* 開頭的部份我有想過要不要分開欸，像是繪圖就放在那三個model前，電影就放在sora前
* runway還要做操作說明...
* 音樂真的很難懂

## 需考慮的問題~~~~~~~~~~~~
* quizizz要什麼時候 我覺得收尾改這個 :accept:
* quizizz題目涵蓋內容 就全部的東西啊 :cry: :tired_face: 幹嘛哭 好累 笑死 不行的話 我邊跳舞邊出 :question:
* 音樂的原理跟應用都還沒有 我會努力的 :smiley:
* 要不要把音樂拿掉 要 :+1::+1::+1::+1::+1:
* 要教什麼才會幫助到下午的活動 我覺得沒差ㄟ....

## 圖片來源
祝各位不要看到瘋掉，想問什麼請直接問，不然會看到死，圖都是裡面截的

[Framework 2023](https://speech.ee.ntu.edu.tw/~hylee/ml/ml2023-course-data/StableDiffusion%20(v2).pdf)
[速覽圖像常見生成模型 2023](https://speech.ee.ntu.edu.tw/~hylee/ml/ml2023-course-data/ImageGeneration%20(v3).pdf)
[Auto-encoder 2017](https://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2017/Lecture/auto.pdf)
[Auto-encoder 2021](https://speech.ee.ntu.edu.tw/~hylee/ml/ml2021-course-data/auto_v8.pdf)
[VAE and GAN 2017](https://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2017/Lecture/GAN%20(v3).pdf)
[GAN 2018](https://speech.ee.ntu.edu.tw/~tlkagk/courses/MLDS_2018/Lecture/GAN%20(v2).pdf)
[GAN 2021](https://speech.ee.ntu.edu.tw/~hylee/ml/ml2021-course-data/gan_v10.pdf)
[Diffusion 2021](https://speech.ee.ntu.edu.tw/~hylee/ml/ml2023-course-data/DiffusionModel%20(v2).pdf)
[Diffusion 2023](https://speech.ee.ntu.edu.tw/~hylee/ml/ml2023-course-data/DDPM%20(v7).pdf)

**更多更多的東西**
反正應該只有我會看，所以不重要
[2023](https://speech.ee.ntu.edu.tw/~hylee/ml/2023-spring.php)
[2022](https://speech.ee.ntu.edu.tw/~hylee/ml/2022-spring.php)
[2021](https://speech.ee.ntu.edu.tw/~hylee/ml/2021-spring.php)
[2018](https://speech.ee.ntu.edu.tw/~hylee/mlds/2018-spring.php)
[2017](https://speech.ee.ntu.edu.tw/~hylee/ml/2017-spring.php)