Вы можете взять существующую модель машинного обучения, написанную на любой платформе глубокого обучения, и добавить ее в Runway с помощью всего нескольких строк кода. Узнайте, как это сделать, здесь 👇
В этом коротком руководстве мы будем портировать Progressive Growing of GANs (PGAN), модель с открытым исходным кодом, которая создает высококачественные изображения, доступные в Pytorch Hub и GitHub. Код для запуска и генерации изображения с предварительно обученной контрольной точкой PGAN из хаба Pytorch короткий и простой, давайте рассмотрим базовый код, который мы будем использовать:
Создание модели взлетно-посадочной полосы
Начнем с создания файла с именем runway_model.py, вставки нашего примера кода из приведенного выше и добавления runway-python SDK. Мы также добавим numpy для небольшой постобработки. (Обязательно сначала установите SDK Runway python с pip install runway-python!)
Теперь давайте завершим загрузку модели декоратором Runway’s setup. Декоратор установки запускается только один раз, в начале процесса вывода, и всегда должен возвращать модель:
Функция настройки используется для загрузки контрольных точек и визуализации любых элементов пользовательского интерфейса в Runway, которые будут частью начальной конфигурации модели. В этом случае, просто определив runway.category и добавив контрольную точку PGAN по умолчанию в качестве параметров, мы получим этот красивый пользовательский интерфейс в Runway ✨:
Затем давайте заключим логическую часть модели в командную функцию взлетно-посадочной полосы. Команда - это специальная функция, которая используется для определения способа взаимодействия с моделью. Это позволит вам определить типы ввода и вывода.
Функция декоратора команд построена с тремя вариантами:
- имя команды: в данном случае
generate, - Тип ввода: PGAN генерирует изображения из вектора шума длиной 512, поэтому нам нужно предоставить ему тип ввода
runway.vector. - Тип вывода: в этом случае вывод будет тип изображения.
Определение команды, которая принимает вектор в качестве входных данных, создает интерфейс векторной сетки для навигации по скрытому пространству PGAN и отображения результирующего изображения в качестве выходных данных.
Теперь мы готовы добавить нашу модель в Runway! Давайте создадим runway.yml файл рядом с нашим runway_model.py, определяющим, как должна работать наша модель:
Этот файл содержит инструкции по определению среды, установке зависимостей и запуску вашей модели стандартным и воспроизводимым образом.
Вот и все! Давайте создадим репозиторий GitHub, разместим наш код на GitHub и разместим нашу модель на Runway.
Добавление модели на Runway через GitHub
Runway может взять любой существующий репозиторий, содержащий файлы runway_model.py и runway.yml, и создать модель, которую вы можете использовать и поделиться в Runway.
Откройте Runway и нажмите «From GitHub» в нижнем левом углу каталога моделей, выберите свой репозиторий и следуйте инструкциям по добавлению модели.
После добавления модели Runway автоматически запустит процесс сборки. Вы можете проверить процесс на вкладке версии. Каждый раз, когда вы отправляете фиксацию на GitHub, Runway создает новую версию вашей модели. 🎩
Как только модель будет построена, вы можете добавить ее в свое рабочее пространство и приступить к исследованию! 🦄
Если вы хотите узнать больше о том, как работает Runway, воспользуйтесь ссылками ниже. Мы будем рады получить ваши отзывы!
