Cuestionario vinculado a una guía · fácil Nivel

Semillas y reproducibilidad en el cuestionario de generación de imágenes de IA

Prueba cómo una semilla establece el ruido inicial, qué configuraciones deben coincidir para recrear una imagen y por qué los cambios de hardware o modelo interrumpen la reproducción exacta.

Rutas de guía relacionadasSemillas y reproducibilidad en la generación de imágenes con IA
Pregunta 1 de 8

¿Qué controla directamente la semilla en un generador de imágenes de difusión?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué controla directamente la semilla en un generador de imágenes de difusión?
    • Los datos de entrenamiento del modelo.
    • The wording of the prompt
    • La resolución de salida
    • The pseudorandom starting noise
  2. ¿Por qué mantener la semilla pero cambiar la resolución produce una imagen no relacionada?
    • Seeds expire after one use
    • The noise tensor changes shape, so the same numbers form a different pattern
    • Changing resolution rewrites the prompt
    • The sampler resets to its defaults
  3. ¿En qué aspecto de una imagen influye fuertemente la semilla porque se decide en los primeros pasos?
    • The overall composition, such as where a figure stands
    • El formato de archivo
    • El codificador de texto
    • The image license
  4. ¿Por qué la misma semilla puede producir ruido diferente en una CPU y una GPU?
    • GPUs ignore seeds
    • The CPU secretly adds a watermark
    • CPU and GPU random generators produce different sequences from the same seed
    • Seeds are rounded to the nearest thousand on GPUs
  5. En un lote de cuatro imágenes que comienzan en la semilla 500, ¿qué semilla asignan muchas herramientas a la cuarta imagen?
    • 500
    • 2000
    • 504
    • 503
  6. What does the guide say about 'good seeds'?
    • Certain seeds always produce better images
    • A seed that works for one prompt and model has no special quality elsewhere
    • Seed 42 is the best starting point for any model
    • Good seeds carry over between Midjourney and Stable Diffusion
  7. Why do variation features use spherical interpolation (slerp) instead of simple averaging?
    • Slerp is faster to compute
    • Slerp changes the seed number automatically
    • A linear average of Gaussian noise lowers its variance and produces washed-out images
    • Slerp adds text to the image
  8. How do ancestral samplers differ from DDIM in how they use randomness?
    • They draw fresh noise at each step, not only at the start
    • They use no randomness at all
    • They ignore the seed completely
    • They use the seed to choose the prompt