Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ αποκωδικοποίησης παράλληλου διακριτικού MaskGIT

Ελέγξτε την εκπαίδευση με μάσκα και την επαναληπτική παράλληλη αποκωδικοποίηση του MaskGIT, συμπεριλαμβανομένου του χρονοδιαγράμματος επαναμετακάλυψης που βασίζεται στην εμπιστοσύνη και του αμφίδρομου πλαισίου.

Σχετικές διαδρομές οδηγώνMaskgit Parallel Token Decoding
Ερώτηση 1 του 8

Πώς το MaskGIT αποκωδικοποιεί τα διακριτικά εικόνας διαφορετικά από τον μετασχηματιστή του VQGAN;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Πώς το MaskGIT αποκωδικοποιεί τα διακριτικά εικόνας διαφορετικά από τον μετασχηματιστή του VQGAN;
    • Προβλέπει τα διακριτικά παράλληλα και βελτιώνει σε μερικά βήματα
    • Προβλέπει ένα διακριτικό τη φορά με σειρά ράστερ
    • Δεν χρησιμοποιεί μετασχηματιστή
    • Δημιουργεί μόνο κείμενο
  2. Ποιο εκπαιδευτικό στόχο δανείζεται το MaskGIT από γλωσσικά μοντέλα;
    • Πρόβλεψη μόνο με επόμενη λέξη
    • Συγκαλυμμένη πρόβλεψη συμβολικών, όπως το BERT
    • Ταξινόμηση εικόνων
    • Ενίσχυση της μάθησης από την ανθρώπινη ανατροφοδότηση
  3. Κατά τη διάρκεια της δημιουργίας, ποια διακριτικά δεσμεύει το MaskGIT σε κάθε επανάληψη;
    • Αυτοί με τη χαμηλότερη αυτοπεποίθηση
    • Τυχαία κουπόνια
    • Οι προβλέψεις με την υψηλότερη εμπιστοσύνη
    • Όλα τα διακριτικά ταυτόχρονα στο πρώτο βήμα
  4. In the original MaskGIT generation examples, roughly how many refinement iterations were often used?
    • Exactly one iteration for every image and task
    • Hundreds of sequential token predictions
    • A fixed number that cannot be changed by the user
    • About 8 to 12 in those reported configurations
  5. Ποιο πρόγραμμα ελέγχει πόσα διακριτικά αποκαλύπτει το MaskGIT σε κάθε βήμα;
    • Ένα πρόγραμμα κάλυψης συνημιτόνου
    • Ένας γραμμικός κανόνας που αποκαλύπτει όλα ταυτόχρονα
    • Δεν υπάρχει πρόγραμμα. είναι τυχαίο
    • Ένα σταθερό ένα διακριτικό ανά βήμα
  6. Γιατί η αμφίδρομη προσοχή βοηθά το MaskGIT;
    • Κρύβει την εικόνα από το μοντέλο
    • Επιτρέπει σε κάθε διακριτικό να βλέπει ολόκληρη τη μερική εικόνα για καλύτερο περιβάλλον
    • Εξετάζει μόνο προηγούμενα διακριτικά
    • Καταργεί την ανάγκη για τυχόν μάρκες
  7. What token grid does MaskGIT begin with when generating an image?
    • A fully decoded image that only needs color correction
    • A left-to-right stream with no masked positions
    • A grid with every image token masked
    • A grid of text embeddings from the prompt only
  8. How can MaskGIT fill a masked region during image inpainting?
    • Discard the observed image and generate an unrelated full image
    • Use only a left-to-right text decoder with no image tokens
    • Replace every visible token with a random codebook entry
    • Keep observed image tokens as context and iteratively predict the masked positions