sss

webSite/content/news/what-is-generative-ai.md

@@ -104,8 +104,6 @@ type: "blog"
 
 * **擴散模型：**擴散模型也稱為去噪擴散機率模型 (DDPM)，是在訓練期間透過兩步驟過程確定潛在空間中的向量的生成模型。這兩個步驟是正向擴散和反向擴散。前向擴散過程緩慢地將隨機雜訊添加到訓練資料中，而反向過程則反轉雜訊以重建資料樣本。可以從完全隨機雜訊開始運行反向去噪過程來產生新資料。
 
-![擴散和去雜訊過程](/content/nvidiaGDC/us/en_US/glossary/data-science/generative-ai/_jcr_content/root/responsivegrid/nv_container_2075721345/nv_image.coreimg.100.1290.jpeg/1679299337925/gen-ai-diffusion-2560.jpeg "擴散和去雜訊過程")
-
 圖 2：擴散和去雜訊過程。
 
 擴散模型的訓練時間可能比變分自動編碼器(VAE) 模型要長，但由於這個兩步驟過程，可以訓練數百個（如果不是無限數量的話）層，這意味著擴散模型通常提供最高的性能.建構生成式人工智慧模型時的高品質輸出。
@@ -130,7 +128,6 @@ type: "blog"
 
 有兩種機制使 Transformer 特別適合基於文字的生成人工智慧應用：自我關注和位置編碼。這兩種技術都有助於表示時間，並使演算法能夠專注於長距離內單字之間的相互關係
 
-![變壓器型號](/content/nvidiaGDC/us/en_US/glossary/data-science/generative-ai/_jcr_content/root/responsivegrid/nv_container_2075721345/nv_image_210846034.coreimg.100.1290.jpeg/1679299338097/gen-ai-transformer-2560x1440.jpeg "變壓器型號")
 
 圖 3：圖像來自 Aidan Gomez 的演示文稿，他是 2017 年定義 Transformer 的論文的八位合著者之一（[來源](https://arxiv.org/abs/1706.03762)）。