Mit dem Guide verknüpftes Quiz · Mittel Ebene

Diffusionstransformatoren-Quiz

Entdecken Sie DiT-Patch-Token, Konditionierung, Skalierung, Video-Raum-Zeit-Darstellungen und die Aufmerksamkeitskosten vieler Token.

Verwandte FührungspfadeDiffusionstransformatoren
Frage 1 von 8

Welche Komponente ersetzt ein Diffusionstransformator im Vergleich zu herkömmlichen Diffusionsmodellen?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welche Komponente ersetzt ein Diffusionstransformator im Vergleich zu herkömmlichen Diffusionsmodellen?
    • Der Faltungs-U-Net-Entrauscher
    • Der Text-Encoder
    • Der Bilddecoder
    • Der Lärmplan
  2. Wie verwandelt ein DiT ein Bild in etwas, das ein Transformer verarbeiten kann?
    • Es wandelt Pixel direkt in Wörter um
    • Es teilt das latente Bild in Patches auf, die als Token behandelt werden
    • Es wird ein Token für das gesamte Bild verwendet
    • Es wandelt das Bild zunächst in Audio um
  3. Was hat das ursprüngliche DiT-Papier zum Thema Skalierung herausgefunden?
    • Mit zunehmender Größe erreicht die Leistung schnell ein Plateau
    • Größere Modelle schneiden immer schlechter ab
    • Die Leistung verbessert sich vorhersehbar, wenn die Modellgröße zunimmt und die Patchgröße kleiner wird
    • Die Patchgröße hat keine Auswirkung
  4. Wie integrieren DiTs normalerweise Konditionierungen wie den Zeitschritt und die Textaufforderung?
    • Durch Anhängen als zusätzliche Pixel
    • Durch Neuschulung des Modells bei jedem Schritt
    • Über einen separaten Faltungszweig
    • Durch adaptive Schichtnormalisierung (adaLN)
  5. Was bewirkt die „adaLN-zero“-Initialisierung?
    • Dadurch beginnt jeder Transformer-Block als Identitätsfunktion für ein stabiles Training
    • Es löscht die Normalisierungsebenen
    • Es friert das gesamte Modell ein
    • Es setzt das Eingabebild auf Null
  6. Welches bekannte System verwendet ein Transformer-Backbone über Raumzeit-Patches zur Videoerzeugung?
    • Ein traditionelles GAN
    • OpenAIs Sora
    • Ein wiederkehrendes neuronales Netzwerk
    • Ein Entscheidungsbaummodell
  7. Why can full self-attention become costly when a DiT processes many patches?
    • Its cost stays constant for any token count
    • It must retrain the U-Net at each denoising step
    • Its pairwise token comparisons grow quadratically with the number of tokens
    • It requires a separate language model for every patch
  8. After a DiT processes latent image patches with its Transformer blocks, what happens to the patch outputs?
    • As one text token for an entire video
    • As only a sequence of audio waveforms
    • As a separate convolutional U-Net for each frame
    • They are reassembled and decoded back into pixels