Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Flow Matching kvíz

Explore flow matching’s learned vector fields, conditional paths, ODE sampling and relationship to diffusion-based generation.

Kapcsolódó útmutató utakÁramláspárosítás
kérdés 1 -ból 8

Mit tanul meg közvetlenül az áramlásillesztési modell előre jelezni?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit tanul meg közvetlenül az áramlásillesztési modell előre jelezni?
    • Egy sebességmező, amely a mintákat a zajtól az adatok felé mozgatja
    • Minden képhez besorolási címke
    • A kép tömörített JPEG bájtjai
    • A pixelértékek rögzített keresési táblázata
  2. Hogyan állítanak elő mintákat egy betanított áramlási illesztési modellből?
    • Egy diszkrét Markov szólánc mintavételével
    • A tanult sebességmező integrálásával zajból kiinduló ODE-megoldóval
    • Gradiens süllyedés futtatásával a bemeneti képen
    • A teljes edzéskészlet átlagolásával
  3. Mi teszi a feltételes áramlásillesztési veszteséget követhetővé a betanításra?
    • Teljesen figyelmen kívül hagyja az adatokat
    • A teljes határmező analitikus megoldását igényli
    • Egyetlen adatponton kondicionál, és egy egyszerű ismert interpolációs utat használ
    • Egyszerre csak egy képen működik örökké
  4. Miért teszi lehetővé a „rektifikált áramlás” változat gyorsabb generálást?
    • Nagyobb neurális hálózatokat használ
    • Teljesen kihagyja az edzést
    • Először a képeket szöveggé alakítja
    • Kiegyenesíti a valószínűségi útvonalakat, így kevesebb ODE megoldó lépésre van szükség
  5. Which named image model’s paper explicitly describes a rectified-flow transformer?
    • Stable Diffusion 3
    • Flux, as established by the cited source set
    • ResNet-50
    • YOLOv8
  6. A feltételes áramlási illesztésben mi a tipikus interpoláció egy zajminta és egy adatminta között a t időpontban?
    • A pixelek véletlenszerű keveredése
    • x_t = (1-t)*zaj + t*adat, egyenes vonalú keverék
    • Minden pixel érték négyzetre emelése
    • A képpontok rendezése fényerő szerint
  7. In conditional flow matching, how is the marginal vector field related to conditional vector fields?
    • It is the largest vector in the training batch
    • It is a fixed class label independent of time
    • It is the conditional expectation of the conditional vector field over the conditioning variable
    • It is the average pixel value of the data
  8. Beyond generative modeling, what other task does the original rectified-flow paper describe?
    • Speech diarization with speaker embeddings
    • Classifying handwritten digits from labels alone
    • Predicting calendar availability
    • Data or domain transfer between distributions