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.
- Co semeno přímo ovládá v generátoru difuzního obrázku?
- Tréninková data modelu
- The wording of the prompt
- Výstupní rozlišení
- The pseudorandom starting noise
- 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
- 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
- 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
- Jaké počáteční číslo (seed) přiřadí mnoho nástrojů čtvrtému obrázku v dávce čtyř obrázků začínající od seedu 500?
- 500
- 2000
- 504
- 503
- 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
- 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
- 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