ڈویلپر کا نظریہ: ہائی ریزولوشن نیورل سیلولر آٹومیٹا
مشین لرننگ میں آرٹ اور ریاضی کا ملاپ ہوتا ہے۔
سیلولر آٹومیٹا (Cellular automata) میں خلیوں (cells) کا ایک گرڈ استعمال ہوتا ہے۔ ہر سیل مقررہ اصولوں کی بنیاد پر اپنی حالت تبدیل کرتا ہے۔ Conway's Game of Life اس کی ایک مشہور مثال ہے۔ آپ پیچیدہ پیٹرنز بنانے کے لیے سادہ اصولوں پر عمل کرتے ہیں۔
نیورل سیلولر آٹومیٹا (NCA) اس تصور کو بدل دیتا ہے۔ مقررہ اصولوں کے بجائے، ایک نیورل نیٹ ورک ڈیٹا سے اصول سیکھتا ہے۔ نیٹ ورک اپنے پڑوسیوں کو دیکھ کر ایک سیل کی اگلی حالت کی پیش گوئی کرتا ہے۔ اس سے پیچیدہ اور حیرت انگیز مناظر تخلیق ہوتے ہیں۔
ہائی ریزولوشن تصاویر بنانا مشکل کام ہے۔ جیسے جیسے گرڈ بڑھتا ہے، ریاضی نیٹ ورک کے لیے بہت پیچیدہ ہو جاتی ہے۔
میں اس مسئلے کو حل کرنے کے لیے pixel shuffle نامی تکنیک استعمال کرتا ہوں۔
- میں گرڈ کو کم ریزولوشن پر ڈاؤن سیمپل (downsample) کرتا ہوں۔
- میں اس چھوٹے گرڈ پر نیٹ ورک کو ٹرین کرتا ہوں۔
- میں ہائی ریزولوشن تصویر حاصل کرنے کے لیے آؤٹ پٹ کو اپ سیمپل (upsample) کرتا ہوں۔
آپ اسے PyTorch کا استعمال کرتے ہوئے نافذ (implement) کر سکتے ہیں۔ NCA ماڈل کی ساخت بنانے کا ایک سادہ طریقہ یہ ہے:
import torch
import torch.nn as nn
import torch.optim as optim
class NCA(nn.Module):
def __init__(self):
super(NCA, self).__init__()
self.conv = nn.Conv2d(3, 64, kernel_size=3, padding=1)
def forward(self, x):
x = torch.relu(self.conv(x))
x = torch.max_pool2d(x, 2)
x = torch.relu(self.conv(x))
x = torch.max_pool2d(x, 2)
return x
NCA آپ کو کوڈ اور ڈیجیٹل آرٹ کے درمیان فرق کو ختم کرنے کی اجازت دیتا ہے۔ یہ سائنسی ویژولائزیشن اور تخلیقی ڈیزائن کے لیے ایک فعال شعبہ ہے۔
اختیاری لرننگ کمیونٹی: https://t.me/GyaanSetuAi