DalšíDalší průvodce
Porozumění dokumentům bez OCR (Donut)
Vizuální AI
Vizuální průvodce AI
Classifier-free guidance combines conditional and unconditional diffusion predictions at sampling time to trade off prompt adherence, sample quality, and diversity.
Poslechněte si tento návodAI-vyprávěný · ~1 min
The classifier-free guidance paper jointly trains conditional and unconditional predictions and combines their score estimates during sampling. Increasing guidance can change the quality-diversity tradeoff and may reduce diversity or cause artifacts. Standard implementation often evaluates the model for both conditional and unconditional inputs per denoising step. Exact behavior depends on the model’s parameterization and implementation.
Train with condition dropout to obtain conditional and unconditional behavior.
Adjust guidance scale in a controlled comparison.
Measure both prompt adherence and output diversity.
Account for the additional model evaluation used by standard guidance.
Guidance remains an inference-time control with tradeoffs. Tune and evaluate it for the specific model and task rather than assuming larger values always improve results.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Classifier-free guidance combines conditional and unconditional diffusion predictions at sampling time to trade off prompt adherence, sample quality, and diversity.
Vedení bez klasifikátoru zvyšuje rychlou adherenci extrapolací od nepodmíněného k podmíněné predikci.
Během trénování je výzva občas náhodně vynechána, takže se jedna síť naučí jak podmíněné, tak nepodmíněné chování.
Vyšší navádění si vynucuje pevnější přilnavost a silnější prvky, ale přílišné zatlačení způsobuje přesycené, drsné obrazy náchylné k artefaktům.
Model se spustí jednou s výzvou a jednou bez, pak se předpovědi zkombinují, což stojí asi dva průchody na krok.
Použitím jediné sítě pro obě předpovědi se vyhne křehkému, extra klasifikátoru, který starší řízená difúze vyžadovala.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Porozumění dokumentům bez OCR (Donut)
Vizuální AI