Тест, свързан с ръководство · Среден Ниво

Тест за инверсия на текст

Научете как текстовата инверсия представлява предоставена от потребителя визуална концепция с вграждане на малък научен токен в предварително обучен модел.

Свързани ръководни пътекиТекстова инверсия
Въпрос 1 на 8

What kinds of concepts did the original textual-inversion paper personalize?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. What kinds of concepts did the original textual-inversion paper personalize?
    • User-provided objects or visual styles
    • Only database schemas
    • Only speech transcripts
    • Only camera calibration parameters
  2. Приблизително от колко примерни изображения обикновено се нуждае текстовата инверсия?
    • Само едно изображение
    • Около 3 до 5 изображения
    • Хиляди изображения
    • Изобщо няма изображения
  3. Защо файловете с текстова инверсия са толкова малки (често няколко килобайта)?
    • Компресират целия модел
    • Те са само текстови подкани
    • Те съхраняват само един научен вектор
    • Те се позовават на онлайн база данни
  4. Какво остава непроменено по време на обучението за инверсия на текст?
    • Примерните изображения
    • Новата псевдо-дума
    • Форматът на текстовата подкана
    • Всички съществуващи тегла на модела
  5. Как използвате научена концепция след текстова инверсия?
    • Въведете новата му псевдо-дума в подкана
    • Преобучавайте модела всеки път
    • Качете отново снимките
    • Редактирайте изходния код на модела
  6. Коя загуба се използва за оптимизиране на новото вграждане?
    • Загуба на точност на класификацията
    • Загубата от шум при дифузия върху примерните изображения
    • Загуба на разпознаване на речта
    • Без загуба; това е ръчна настройка
  7. How does textual inversion use the learned token at generation time?
    • It replaces the image decoder
    • It directly edits a generated image without sampling
    • It inserts the token into a text prompt so the frozen text-to-image model can condition on it
    • It changes the model’s tokenizer vocabulary for every user
  8. What is a key limitation of a concept learned from only a few example images?
    • It always increases the model’s image resolution
    • It automatically learns every view and lighting condition
    • It changes all existing model concepts equally
    • It may capture incidental features of those examples and generalize imperfectly