Útmutatóhoz kapcsolódó kvíz · Közepes Szint
GLIDE diffúziós modell kvíz
Explore GLIDE text-guided generation and inpainting, conditional training, classifier-free sampling, and its historical model architecture.
kérdés 1 -ból 8
Melyik útmutatási módszert találta a GLIDE jobbnak, pontosabb, pontosabb képeket?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Melyik útmutatási módszert találta a GLIDE jobbnak, pontosabb, pontosabb képeket?
- Osztályozó nélküli útmutatás
- CLIP útmutatás
- Nincs útmutatás
- Kézi szerkesztés
- What size did the published full GLIDE base diffusion model have, before counting its upsampler?
- About 3.5 thousand parameters
- About 350 billion parameters
- About 3.5 billion parameters
- No trainable parameters
- Hogyan működik az osztályozó nélküli vezetés a képzés során?
- A modell mindig csak a megfelelő felszólítást látja
- Egy külön képosztályozót képeznek mellé
- A promptokat a rendszer véletlenszerűen számokra fordítja
- A modell néha az igazi felszólítást látja, néha pedig üres
- Which later system describes its diffusion decoder as modifying the GLIDE architecture in the DALL-E 2 research paper?
- The original text-only GPT-2 model
- The unCLIP system associated with DALL-E 2
- The Whisper speech recognizer
- The CLIP contrastive encoder alone
- Miért adott ki nyilvánosan a OpenAI a GLIDE kisebb, szűrt verzióját?
- A teljes modell elveszett
- Csak szuperszámítógépeken futott
- Aggályok az erős képgenerátorral való visszaélés miatt
- Licenc harmadik féltől
- Milyen praktikus szerkesztési funkciót támogatott a GLIDE?
- Szövegvezérelt festés
- Hang átírása
- Táblázatképletek
- Videó renderelés
- How did GLIDE's upsampler complement its base text-conditioned diffusion model?
- It replaced the text prompt with an audio transcript
- It increased the resolution of the image produced by the base model
- It converted the image into the training tokenizer's vocabulary
- It supplied manual labels for every generated object
- At GLIDE sampling time, how does classifier-free guidance strengthen prompt conditioning?
- It retrains the model weights after every generated pixel
- It requires a separate class-label classifier to score every step
- It replaces the conditional prediction with the unconditional one
- It combines conditional and unconditional predictions, extrapolating toward the conditional one