Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Diffúziós transzformátorok kvíz

Explore DiT patch tokens, conditioning, scaling, video space-time representations, and the attention cost of many tokens.

Kapcsolódó útmutató utakDiffúziós transzformátorok
kérdés 1 -ból 8

Milyen alkatrészt helyettesít a diffúziós transzformátor a hagyományos diffúziós modellekhez képest?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen alkatrészt helyettesít a diffúziós transzformátor a hagyományos diffúziós modellekhez képest?
    • A konvolúciós U-Net zajtalanító
    • A szövegkódoló
    • A képdekódoló
    • A zaj ütemezése
  2. Hogyan változtat egy DiT egy képet olyasmivé, amit a Transformer képes feldolgozni?
    • A képpontokat közvetlenül szavakká alakítja
    • A látens képet tokenként kezelt foltokra bontja
    • Egy tokent használ a teljes képhez
    • Először a képet hanggá alakítja
  3. Mit talált az eredeti DiT-papír a méretezésről?
    • Teljesítményplatók gyorsan mérettel
    • A nagyobb modellek mindig rosszabbul teljesítenek
    • A teljesítmény előre láthatóan javul a modell méretének növekedésével és a foltméret csökkenésével
    • A patch méretének nincs hatása
  4. Hogyan alkalmazzák a DiT-ek a feltételeket, például az időlépést és a szöveges promptot?
    • Extra pixelként hozzáfűzve
    • A modell minden egyes lépésében újratanulásával
    • Külön konvolúciós ágon keresztül
    • Az adaptív rétegnormalizáció (adaLN) révén
  5. Mit ér el az „adaLN-zero” inicializálás?
    • Ezáltal minden Transformer blokk identitásfüggvényként indul a stabil edzés érdekében
    • Törli a normalizálási rétegeket
    • Lefagyasztja az egész modellt
    • A bemeneti képet nullázza
  6. Melyik jól ismert rendszer használ Transformer gerincet a téridő foltokon keresztül a videó generálásához?
    • Egy hagyományos GAN
    • OpenAI Sora
    • Egy visszatérő neurális hálózat
    • Döntési fa modell
  7. Why can full self-attention become costly when a DiT processes many patches?
    • Its cost stays constant for any token count
    • It must retrain the U-Net at each denoising step
    • Its pairwise token comparisons grow quadratically with the number of tokens
    • It requires a separate language model for every patch
  8. After a DiT processes latent image patches with its Transformer blocks, what happens to the patch outputs?
    • As one text token for an entire video
    • As only a sequence of audio waveforms
    • As a separate convolutional U-Net for each frame
    • They are reassembled and decoded back into pixels