Kvíz spojený s průvodcem · Snadno úroveň

Semena a reprodukovatelnost v kvízu generování obrazu AI

Testuje, jak semena nastavuje počáteční šum, která nastavení se musí shodovat, aby bylo možné znovu vytvořit obraz, a proč změny hardwaru nebo modelu narušují přesnou reprodukci.

Otázka 1 z 8

Co semeno přímo ovládá v generátoru difuzního obrázku?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co semeno přímo ovládá v generátoru difuzního obrázku?
    • Tréninková data modelu
    • The wording of the prompt
    • Výstupní rozlišení
    • The pseudorandom starting noise
  2. Proč zachování semene, ale změna rozlišení, produkuje nesouvisející obrázek?
    • Seeds expire after one use
    • The noise tensor changes shape, so the same numbers form a different pattern
    • Changing resolution rewrites the prompt
    • The sampler resets to its defaults
  3. Který aspekt obrázku semeno silně ovlivňuje, protože je rozhodnut v raných krocích?
    • The overall composition, such as where a figure stands
    • Formát souboru
    • Textový kodér
    • The image license
  4. Proč může stejné semeno poskytnout odlišný šum na CPU a GPU?
    • GPUs ignore seeds
    • The CPU secretly adds a watermark
    • CPU and GPU random generators produce different sequences from the same seed
    • Seeds are rounded to the nearest thousand on GPUs
  5. Jaké počáteční číslo (seed) přiřadí mnoho nástrojů čtvrtému obrázku v dávce čtyř obrázků začínající od seedu 500?
    • 500
    • 2000
    • 504
    • 503
  6. What does the guide say about 'good seeds'?
    • Certain seeds always produce better images
    • A seed that works for one prompt and model has no special quality elsewhere
    • Seed 42 is the best starting point for any model
    • Good seeds carry over between Midjourney and Stable Diffusion
  7. Why do variation features use spherical interpolation (slerp) instead of simple averaging?
    • Slerp is faster to compute
    • Slerp changes the seed number automatically
    • A linear average of Gaussian noise lowers its variance and produces washed-out images
    • Slerp adds text to the image
  8. How do ancestral samplers differ from DDIM in how they use randomness?
    • They draw fresh noise at each step, not only at the start
    • They use no randomness at all
    • They ignore the seed completely
    • They use the seed to choose the prompt