Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ αντιστοίχισης ροής

Εξερευνήστε τα μαθημένα διανυσματικά πεδία της αντιστοίχισης ροής, τις διαδρομές υπό όρους, τη δειγματοληψία ODE και τη σχέση με τη δημιουργία που βασίζεται στη διάχυση.

Σχετικές διαδρομές οδηγώνΑντιστοίχιση ροής
Ερώτηση 1 του 8

Τι μαθαίνει να προβλέπει άμεσα ένα μοντέλο αντιστοίχισης ροής;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι μαθαίνει να προβλέπει άμεσα ένα μοντέλο αντιστοίχισης ροής;
    • Ένα πεδίο ταχύτητας που μετακινεί δείγματα από το θόρυβο προς τα δεδομένα
    • Μια ετικέτα ταξινόμησης για κάθε εικόνα
    • Τα συμπιεσμένα byte JPEG μιας εικόνας
    • Ένας σταθερός πίνακας αναζήτησης τιμών εικονοστοιχείων
  2. Πώς παράγονται δείγματα από ένα εκπαιδευμένο μοντέλο αντιστοίχισης ροής;
    • Με τη δειγματοληψία μιας διακριτής αλυσίδας λέξεων Markov
    • Με την ενσωμάτωση του πεδίου εκμάθησης ταχύτητας με έναν επιλύτη ODE ξεκινώντας από το θόρυβο
    • Εκτελώντας ντεγκραντέ κάθοδο στην εικόνα εισόδου
    • Με τον μέσο όρο του συνόλου της προπόνησης
  3. Τι κάνει την απώλεια αντιστοίχισης ροής υπό όρους εφικτή στην εκπαίδευση;
    • Αγνοεί εντελώς τα δεδομένα
    • Απαιτεί την αναλυτική επίλυση του πλήρους οριακού πεδίου
    • Συνθήκες σε ένα μόνο σημείο δεδομένων και χρησιμοποιεί μια απλή γνωστή διαδρομή παρεμβολής
    • Λειτουργεί μόνο σε μία εικόνα τη φορά για πάντα
  4. Γιατί η παραλλαγή «διορθωμένης ροής» επιτρέπει ταχύτερη παραγωγή;
    • Χρησιμοποιεί μεγαλύτερα νευρωνικά δίκτυα
    • Παρακάμπτει εντελώς την προπόνηση
    • Μετατρέπει πρώτα τις εικόνες σε κείμενο
    • Διορθώνει τις διαδρομές πιθανοτήτων, ώστε να απαιτούνται λιγότερα βήματα επίλυσης ODE
  5. Which named image model’s paper explicitly describes a rectified-flow transformer?
    • Stable Diffusion 3
    • Flux, as established by the cited source set
    • ResNet-50
    • YOLOv8
  6. Στην υπό όρους αντιστοίχιση ροής, ποια είναι μια τυπική παρεμβολή μεταξύ ενός δείγματος θορύβου και ενός δείγματος δεδομένων τη χρονική στιγμή t;
    • Μια τυχαία ανακάτεμα εικονοστοιχείων
    • x_t = (1-t)*θόρυβος + t*δεδομένα, ένα μείγμα ευθείας γραμμής
    • Τετραγωνισμός κάθε τιμής εικονοστοιχείου
    • Ταξινόμηση pixel κατά φωτεινότητα
  7. In conditional flow matching, how is the marginal vector field related to conditional vector fields?
    • It is the largest vector in the training batch
    • It is a fixed class label independent of time
    • It is the conditional expectation of the conditional vector field over the conditioning variable
    • It is the average pixel value of the data
  8. Beyond generative modeling, what other task does the original rectified-flow paper describe?
    • Speech diarization with speaker embeddings
    • Classifying handwritten digits from labels alone
    • Predicting calendar availability
    • Data or domain transfer between distributions