Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ για την αντιστροφή κειμένου

Μάθετε πώς η αντιστροφή κειμένου αντιπροσωπεύει μια οπτική έννοια που παρέχεται από τον χρήστη με μια μικρή ενσωμάτωση μαθημένου διακριτικού σε ένα προεκπαιδευμένο μοντέλο.

Σχετικές διαδρομές οδηγώνΚειμενική Αντιστροφή
Ερώτηση 1 του 8

What kinds of concepts did the original textual-inversion paper personalize?

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. What kinds of concepts did the original textual-inversion paper personalize?
    • User-provided objects or visual styles
    • Only database schemas
    • Only speech transcripts
    • Only camera calibration parameters
  2. Πόσες περίπου εικόνες παραδειγμάτων χρειάζεται συνήθως η Textual Inversion;
    • Μόνο μια εικόνα
    • Περίπου 3 έως 5 εικόνες
    • Χιλιάδες εικόνες
    • Δεν υπάρχουν καθόλου εικόνες
  3. Γιατί τα αρχεία Textual Inversion είναι τόσο μικρά (συχνά μερικά kilobyte);
    • Συμπιέζουν όλο το μοντέλο
    • Είναι απλώς προτροπές κειμένου
    • Αποθηκεύουν μόνο ένα μαθημένο διάνυσμα
    • Αναφέρουν μια ηλεκτρονική βάση δεδομένων
  4. Τι παραμένει αμετάβλητο κατά τη διάρκεια της εκπαίδευσης στην Κειμενική Αναστροφή;
    • Παραδείγματα εικόνων
    • Η νέα ψευδολέξη
    • Μορφή προτροπής κειμένου
    • Όλα τα υπάρχοντα βάρη του μοντέλου
  5. Πώς χρησιμοποιείτε μια μαθημένη έννοια μετά την Κειμενική Αντιστροφή;
    • Πληκτρολογήστε τη νέα ψευδο-λέξη του σε μια προτροπή
    • Εκπαιδεύετε ξανά το μοντέλο κάθε φορά
    • Ανεβάστε ξανά τις φωτογραφίες
    • Επεξεργαστείτε τον πηγαίο κώδικα του μοντέλου
  6. Ποια απώλεια χρησιμοποιείται για τη βελτιστοποίηση της νέας ενσωμάτωσης;
    • Απώλεια ακρίβειας ταξινόμησης
    • Η απώλεια απόσβεσης θορύβου διάχυσης στις παραδειγματικές εικόνες
    • Απώλεια αναγνώρισης ομιλίας
    • Καμία απώλεια? είναι χειροκίνητος συντονισμός
  7. How does textual inversion use the learned token at generation time?
    • It replaces the image decoder
    • It directly edits a generated image without sampling
    • It inserts the token into a text prompt so the frozen text-to-image model can condition on it
    • It changes the model’s tokenizer vocabulary for every user
  8. What is a key limitation of a concept learned from only a few example images?
    • It always increases the model’s image resolution
    • It automatically learns every view and lighting condition
    • It changes all existing model concepts equally
    • It may capture incidental features of those examples and generalize imperfectly