Тест, свързан с ръководство · Среден Ниво

Тест за модел на разпространение на GLIDE

Разгледайте GLIDE генериране и рисуване с насочване на текст, условно обучение, вземане на проби без класификатор и неговата историческа архитектура на модела.

Свързани ръководни пътекиМодел на плъзгаща се дифузия
Въпрос 1 на 8

Кой метод за насочване според GLIDE дава по-добри, по-бързи и верни изображения?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Кой метод за насочване според GLIDE дава по-добри, по-бързи и верни изображения?
    • Насоки без класификатор
    • CLIP ръководство
    • Без насоки
    • Ръчно редактиране
  2. What size did the published full GLIDE base diffusion model have, before counting its upsampler?
    • About 3.5 thousand parameters
    • About 350 billion parameters
    • About 3.5 billion parameters
    • No trainable parameters
  3. Как работи напътствието без класификатор по време на обучение?
    • Моделът вижда само правилната подкана
    • Успоредно се обучава отделен класификатор на изображения
    • Подканите се превеждат в числа произволно
    • Моделът понякога вижда истинската подкана, а понякога празна
  4. Which later system describes its diffusion decoder as modifying the GLIDE architecture in the DALL-E 2 research paper?
    • The original text-only GPT-2 model
    • The unCLIP system associated with DALL-E 2
    • The Whisper speech recognizer
    • The CLIP contrastive encoder alone
  5. Защо OpenAI пусна публично само по-малка, филтрирана версия на GLIDE?
    • Целият модел беше изгубен
    • Работеше само на суперкомпютри
    • Притеснения за злоупотреба с мощен генератор на изображения
    • Лицензиране от трета страна
  6. Каква практическа функция за редактиране поддържа GLIDE?
    • Текстово управлявано рисуване
    • Аудио транскрипция
    • Формули за електронни таблици
    • Рендиране на видео
  7. How did GLIDE's upsampler complement its base text-conditioned diffusion model?
    • It replaced the text prompt with an audio transcript
    • It increased the resolution of the image produced by the base model
    • It converted the image into the training tokenizer's vocabulary
    • It supplied manual labels for every generated object
  8. At GLIDE sampling time, how does classifier-free guidance strengthen prompt conditioning?
    • It retrains the model weights after every generated pixel
    • It requires a separate class-label classifier to score every step
    • It replaces the conditional prediction with the unconditional one
    • It combines conditional and unconditional predictions, extrapolating toward the conditional one