Build a Text-to-Image Generator

Obra práctica de Manning Publications publicada en 2025 y escrita por Mark Liu que desvela la ingeniería y las matemáticas detrás de los generadores de imágenes por inteligencia artificial mediante su construcción desde cero. Está pensada para desarrolladores con nivel intermedio en Python, científicos de datos e ingenieros de aprendizaje automático que dominen los conceptos fundamentales del deep learning (redes neuronales convolucionales, gradientes y operaciones con tensores) y quieran aprender cómo funcionan internamente tecnologías del calibre de Stable Diffusion, Midjourney o DALL-E.

El recorrido técnico desglosa minuciosamente las dos arquitecturas dominantes en la generación visual moderna: los Vision Transformers (ViT) y los modelos de difusión (Diffusion Models). Enseña a procesar imágenes como secuencias de parches espaciales, calcular mecanismos de autoatención y atención cruzada, sincronizar texto e imagen con CLIP (Contrastive Language-Image Pretraining) e implementar cuantización vectorial con VQ-GAN. Utiliza Python y PyTorch como tecnologías vertebrales, integrando bibliotecas como torchvision y utilidades de Hugging Face para abordar desde la adición y eliminación iterativa de ruido gaussiano en modelos de difusión latente hasta tareas auxiliares como el subtitulado automático de imágenes (image captioning) y la clasificación de deepfakes.

A lo largo del libro se desarrollan tres arquitecturas completas y funcionales: un sistema de subtitulado automático basado en Transformers, un generador básico de imágenes autorregresivo estilo DALL-E acoplado con VQ-GAN y un motor de difusión latente completo condicionado por texto y apto para edición visual. Su mayor valor radica en programar cada capa y proceso estocástico sin refugiarse en abstracciones opacas de alto nivel, lo que otorga un entendimiento impecable del proceso generativo. Como contrapartida, requiere disponer de una GPU adecuada para entrenar los modelos sin fricción y asume que las implementaciones son pedagógicas y no equivalentes en escala ni parámetros a los modelos comerciales multimillonarios de la industria.