Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Google Imagen Κουίζ

Ελέγξτε πώς το Imagen ρυθμίζει τη διάχυση στο κείμενο, βελτιώνει τις λεπτομέρειες της εικόνας και χρησιμοποιεί καθοδήγηση και όριο κατά τη δημιουργία.

Σχετικές διαδρομές οδηγώνGoogle Εικόνα
Ερώτηση 1 του 8

Σε ποιον τύπο παραγωγικού μοντέλου βασίζεται το Google Imagen;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Σε ποιον τύπο παραγωγικού μοντέλου βασίζεται το Google Imagen;
    • Ένα μοντέλο διάχυσης
    • Ένα παραγωγικό ανταγωνιστικό δίκτυο (GAN)
    • Μόνο ένας αυτόματος κωδικοποιητής παραλλαγής
    • Μια απόδοση βασισμένη σε κανόνες
  2. Ένα βασικό εύρημα από το αρχικό χαρτί Imagen ήταν ότι η κλιμάκωση ποιο στοιχείο βελτίωσε περισσότερο τα αποτελέσματα;
    • Το δίκτυο διάχυσης εικόνας
    • Ο κωδικοποιητής παγωμένου κειμένου (μοντέλο γλώσσας)
    • Το μέγεθος της παρτίδας εκπαίδευσης
    • Ο αριθμός των έγχρωμων καναλιών
  3. Which improvement did Google announce for Imagen 4 in the Gemini app?
    • Αποθήκευση αρχείων ως PNG
    • Δημιουργία ήχου
    • Improved text rendering in generated images
    • Συμπίεση εικόνων
  4. Η αρχική αρχιτεκτονική του Imagen χρησιμοποιούσε έναν καταρράκτη που ξεκίνησε με τη δημιουργία μιας εικόνας σε ποια ανάλυση;
    • 1024x1024
    • 512x512
    • 4096x4096
    • 64Χ64
  5. What did Google DeepMind say SynthID does for images generated with Imagen on Vertex AI?
    • Embeds an imperceptible watermark in image pixels to help identify likely Imagen output
    • Converts all images to a new file format
    • Provides a GPU chip for image training
    • Translates the prompt language
  6. Μέσω ποιας πλατφόρμας Google μπορούν οι προγραμματιστές να έχουν πρόσβαση στο Imagen για τις δικές τους εφαρμογές;
    • Google Φύλλα
    • Vertex AI
    • Google Χάρτες
    • Chrome DevTools
  7. What issue does dynamic thresholding address in Imagen's sampling process?
    • The model having too few text tokens in its prompt
    • The training set containing too many image resolutions
    • Pixel values becoming oversaturated when classifier-free guidance is high
    • The tokenizer splitting a word into subwords
  8. What does classifier-free guidance do during Imagen sampling?
    • Selects a class label after the image is complete
    • Upscales the image without conditioning on its prompt
    • Replaces the noise-prediction model with a fixed image lookup
    • Combines conditional and unconditioned predictions to steer generation toward the prompt