গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

DDPM এবং DDIM স্যাম্পলার কুইজ

DDPM এবং DDIM বিপরীত নমুনা তুলনা করুন, শেয়ার্ড ট্রেনিং, স্টোকাস্টিসিটি কন্ট্রোল, টাইমস্টেপ স্কিপিং এবং ক্লিন-ইমেজ অনুমান সহ।

সম্পর্কিত গাইড পাথDdpm এবং Ddim স্যাম্পলার
প্রশ্ন 1 এর 8

DDPM এর উপর DDIM এর প্রধান ব্যবহারিক সুবিধা কি?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. DDPM এর উপর DDIM এর প্রধান ব্যবহারিক সুবিধা কি?
    • এটি অনেক কম নমুনা ধাপে তুলনামূলক চিত্র তৈরি করতে পারে
    • এটি একটি সম্পূর্ণ ভিন্ন প্রশিক্ষিত নেটওয়ার্ক প্রয়োজন
    • এটি আরও ভাল মানের জন্য প্রতিটি ধাপে আরও এলোমেলো শব্দ যোগ করে
    • এটি শুধুমাত্র কালো-সাদা ছবিতে কাজ করে
  2. একটি ডিফিউশন মডেলের নিউরাল নেটওয়ার্ক আসলে কি প্রশিক্ষণের সময় ভবিষ্যদ্বাণী করতে শেখে?
    • ছবির জন্য চূড়ান্ত ক্যাপশন
    • একটি নির্দিষ্ট সময়ের ধাপে একটি ছবিতে যোগ করা গোলমাল
    • ছবির কম্প্রেশন অনুপাত
    • ছবি তোলার জন্য ব্যবহৃত ক্যামেরা সেটিংস
  3. কেন ডিডিআইএম প্রতিবার একই প্রারম্ভিক শব্দ থেকে একই চিত্র তৈরি করতে পারে?
    • কারণ এটি পূর্বে জেনারেট করা ছবি ক্যাশে করে
    • কারণ এটি সর্বদা একটি নির্দিষ্ট প্রম্পট ব্যবহার করে
    • কারণ এর স্যাম্পলিং প্রক্রিয়া কোনো ইনজেকশন এলোমেলোতা ছাড়াই নির্ধারক
    • কারণ এটি একসাথে অনেক এলোমেলো রানের গড় করে
  4. ডিডিআইএম-এ, প্যারামিটার eta-এর কোন মান মূল স্টোকাস্টিক DDPM আচরণ পুনরুদ্ধার করে?
    • eta = 0
    • eta = -1
    • eta = 100
    • eta = 1
  5. উচ্চ-মানের নমুনার জন্য মূল DDPM-এর সাধারণত কতগুলি ধাপের প্রয়োজন ছিল?
    • শত শত থেকে প্রায় এক হাজার ধাপ
    • ঠিক ৩টি ধাপ
    • একটি একক পদক্ষেপ
    • এক মিলিয়নেরও বেশি পদক্ষেপ
  6. এইগুলির মধ্যে কোনটি একটি গুরুত্বপূর্ণ মধ্যবর্তী পরিমাণ ডিডিআইএম এগিয়ে যাওয়ার আগে অনুমান করে?
    • আউটপুটের ফাইলের আকার
    • পূর্বাভাসিত পরিষ্কার চিত্র x0
    • ব্যবহারকারীর প্রম্পট এমবেডিং দৈর্ঘ্য
    • GPU তাপমাত্রা
  7. What does DDIM change compared with DDPM when using a model trained with the DDPM procedure?
    • It replaces the network with a text classifier
    • It changes the training data from images to audio
    • It changes the sampling trajectory while reusing the trained denoising network
    • It removes the need to estimate noise
  8. Why can DDIM skip selected diffusion timesteps during sampling?
    • The training process never added noise
    • Each skipped timestep is replaced by a larger image
    • It copies an earlier generated image from a cache
    • Its non-Markovian sampling path can connect noise levels without visiting every training step