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.

Kapcsolódó útmutató utakGlide diffúziós modell
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.

  1. Melyik útmutatási módszert találta a GLIDE jobbnak, pontosabb, pontosabb képeket?
    • Osztályozó nélküli útmutatás
    • CLIP útmutatás
    • Nincs útmutatás
    • Kézi szerkesztés
  2. 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
  3. 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
  4. 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
  5. 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
  6. Milyen praktikus szerkesztési funkciót támogatott a GLIDE?
    • Szövegvezérelt festés
    • Hang átírása
    • Táblázatképletek
    • Videó renderelés
  7. 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
  8. 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