DALL-E是OpenAI基于GPT-3开发的一种新型神经网络。它是GPT-3的一个小版本，使用了120亿个参数，而不是1750亿个参数。但它已经经过专门训练，可以从文本描述生成图像，使用的是文本-图像对的数据集，而不是像GPT-3这样非常广泛的数据集。它可以使用自然语言从文字说明中创建图像，就像GPT-3创建网站和故事一样。
DALL-E与GPT-3非常相似，它也是一个transformer语言模型，接收文本和图像作为输入，以多种形式输出最终转换后的图像。它可以编辑图像中特定对象的属性，正如你在这里看到的。甚至可以同时控制多个对象及其属性。这是一项非常复杂的任务，因为网络必须了解对象之间的关系，并在其理解的基础上创建图像。以这个为例，向网络发送“一个戴着蓝帽子、红手套、绿衬衫、黄裤子的小企鹅的表情符号”。所有这些组件都需要理解，包括对象、颜色，甚至对象的位置。这意味着企鹅的手套必须是红色的，而且必须戴在手上，其他的企鹅也是一样。考虑到任务的复杂性，结果是非常令人印象深刻的。
我们可以看到另一个更简单的例子，我们将“一个小的红色方块放在一个大的绿色方块上”输入到网络中。现在它只需要知道有两个方块，它们的颜色，一个小一些，另一个大一些。这对我们来说似乎很简单，但它需要真正高水平的理解才能实现。正如你所看到的，它仍然不是完美的，但我们已经很接近了!
DALL-E还可以改变场景的视角。例如，这里我们发送了“山上一只鹰的特写”，这就是结果。
这里，我们把老鹰换成了狐狸，这就是生成的结果。
当然，一个简单的标题就能产生无数似是而非的图像，如果你想到一幅“日出时坐在田野里的狐狸的彩画”，没人知道你脑子里想的是什么。有很多可变因素，比如狐狸本身，它的颜色，它在看什么地方，它在什么位置，我们甚至不讨论这幅画的背景和风格。幸运的是，由于它非常类似于GPT-3，所以我们可以向输入文本添加细节，并生成更接近于我们预期的结果，就像您在这里看到的不同风格的绘画一样。
它还可以使用彼此不相关的物体生成图像，比如制作一个逼真的牛油果椅子，或者生成原始的、看不见的插图，比如一个新的表情符号。
简而言之，他们将DALL-E描述为一个简单的解码器转换器。
如前所述，它接收文本和图像作为标记形式的输入，就像GPT-3一样，以生成转换后的图像。就像我在之前的视频中描述的那样，它使用自我注意力来理解文本的上下文，以及对图像的稀疏注意力。关于它是如何工作的，或者它究竟是如何训练的，并没有很多细节，但他们将发表一篇论文来解释他们的方法。简而言之，这个DALL-E网络表明，通过语言操纵视觉概念现在是可以实现的，我很兴奋地阅读他们即将发表的论文!
