गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर

कस्टम डिफ्यूज़न मल्टी-कॉन्सेप्ट ट्यूनिंग क्विज़

कस्टम डिफ्यूज़न की क्रॉस-अटेंशन ट्यूनिंग, कुछ-शॉट वैयक्तिकरण, नियमितीकरण और कई अवधारणाओं को लिखने के समर्थित तरीकों की समीक्षा करें।

संबंधित मार्गदर्शक पथकस्टम डिफ्यूजन मल्टी कॉन्सेप्ट ट्यूनिंग
प्रश्न 1 का 8

डिफ्यूजन मॉडल का कौन सा भाग कस्टम डिफ्यूजन मुख्य रूप से फाइन-ट्यून करता है?

प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

  1. डिफ्यूजन मॉडल का कौन सा भाग कस्टम डिफ्यूजन मुख्य रूप से फाइन-ट्यून करता है?
    • क्रॉस-अटेंशन परतों में कुंजी और मूल्य अनुमान
    • यू-नेट में हर वजन
    • केवल VAE डिकोडर
    • पाठ टोकननाइज़र
  2. एकल-अवधारणा विधियों की तुलना में कस्टम डिफ्यूज़न सबसे उल्लेखनीय क्या है?
    • छवियों के बजाय वीडियो उत्पन्न करना
    • एक दृश्य में कई नई सीखी गई अवधारणाओं की रचना करना
    • किसी भी छवि की आवश्यकता नहीं है
    • केवल सीपीयू पर चल रहा है
  3. What minimum number of training images did the Custom Diffusion paper report using in some experiments?
    • As few as four images
    • At least 500 images
    • Exactly one image in every experiment
    • The paper specifies no concept images
  4. कस्टम डिफ्यूज़न अवधारणा की व्यापक श्रेणी से नियमितीकरण छवियों के एक सेट का उपयोग क्यों करता है?
    • VAE को तेज़ करने के लिए
    • छवि रिज़ॉल्यूशन बढ़ाने के लिए
    • वॉटरमार्क हटाने के लिए
    • अवधारणा शब्द पर ओवरफिटिंग और भाषा के बहाव को रोकने के लिए
  5. दो अलग-अलग प्रशिक्षित कस्टम डिफ्यूजन अवधारणाओं को एक साथ कैसे उपयोग किया जा सकता है?
    • ट्यून किए गए भारों पर एक सीमित अनुकूलन के माध्यम से उन्हें विलय करके
    • इन्हें कभी भी संयोजित नहीं किया जा सकता
    • इनपुट छवियों के औसत द्वारा
    • पूरे मॉडल को स्क्रैच से पुनः प्रशिक्षित करके
  6. What proportion of model weights did the Custom Diffusion paper report storing for its tuned subset?
    • About 3% of the model weights
    • All model weights plus a new model copy
    • No trained parameters at all
    • A fixed 50% of the model weights
  7. Besides merging separately tuned models, how does Custom Diffusion support learning multiple concepts?
    • It requires a separate foundation model for every prompt
    • It replaces all cross-attention with a fixed lookup table
    • It can train for multiple concepts jointly
    • It can only learn one concept per model
  8. In a cross-attention layer, what do the tuned text-side key and value projections help associate?
    • Image pixels with internet search results
    • The diffusion timestep with the model's source code
    • Audio frequencies with a document's page number
    • Prompt concepts with features in the image latent representation