Κουίζ καθοδήγησης χωρίς ταξινομητή

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Γιατί τα μοντέλα διάχυσης εφαρμόζουν καθοδήγηση χωρίς ταξινομητή;
   • Για να ενισχύσετε πόσο στενά ακολουθεί η έξοδος την προτροπή ρύθμισης
   • Για να συμπιέσετε το μοντέλο σε μικρότερο μέγεθος
   • Για να αφαιρέσετε εντελώς τον κωδικοποιητή κειμένου
   • Για να μετατρέψετε εικόνες σε ήχο
2. Πώς μαθαίνει ένα μοντέλο να κάνει άνευ όρων προβλέψεις για καθοδήγηση χωρίς ταξινομητή;
   • Εκπαιδεύοντας έναν δεύτερο ξεχωριστό ταξινομητή
   • Με τυχαία πτώση της προετοιμασίας κατά τη διάρκεια της προπόνησης
   • Χρησιμοποιώντας μόνο μαύρες εικόνες
   • Απενεργοποιώντας την GPU
3. Τι κάνει γενικά η αύξηση της κλίμακας καθοδήγησης;
   • Πάντα βελτιώνει τη διαφορετικότητα
   • Καταργεί την επιρροή της προτροπής
   • Ενισχύει την άμεση προσκόλληση, αλλά μπορεί να προκαλέσει υπερκορεσμό
   • Κάνει την εικόνα σε κλίμακα του γκρι
4. Πόσες περίπου περάσματα προς τα εμπρός ανά βήμα αποθορυβοποίησης απαιτεί η τυπική καθοδήγηση χωρίς ταξινομητή;
   • Μηδέν
   • Δέκα
   • Εκατό
   • Δύο (ένα υπό όρους, ένα χωρίς όρους)
5. Τι πλεονέκτημα έχει η καθοδήγηση χωρίς ταξινομητή έναντι της καθοδήγησης ταξινομητή;
   • Δεν χρειάζεται ξεχωριστά εκπαιδευμένο ταξινομητή
   • Απαιτεί περισσότερα δεδομένα εκπαίδευσης
   • Λειτουργεί μόνο σε μοντέλα κειμένου
   • Εξαλείφει τη διαδικασία διάχυσης
6. In the common classifier-free guidance formula, what does guidance scale s=0 produce?
   • The conditional prediction with extra amplification
   • The unconditional model prediction without conditioning
   • A prediction from a separately trained classifier
   • A sample with all denoising removed
7. How does classifier-free guidance combine model outputs at inference?
   • It combines two image classifiers
   • It removes the conditional prompt
   • It combines conditional and unconditional score estimates
   • It adds a learned reward model after decoding
8. What does a guidance scale of 1 generally correspond to in the common formulation?
   • The unconditional prediction only
   • A classifier-based gradient
   • A zero-noise image
   • The conditional prediction without extra guidance amplification