Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Google Képes kvíz
Review how Imagen conditions diffusion on text, improves image details, and uses guidance and thresholding during generation.
kérdés 1 -ból 8
Milyen típusú generatív modellre épül az Google Imagen?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen típusú generatív modellre épül az Google Imagen?
- Egy diffúziós modell
- Generatív ellenséges hálózat (GAN)
- Csak egy variációs autoencoder
- Szabályalapú megjelenítő
- Az eredeti Imagen-dokumentum egyik kulcsfontosságú megállapítása az volt, hogy melyik összetevő méretezésével javult a legjobb eredmény?
- A kép diffúziós hálózata
- A lefagyott szövegkódoló (nyelvi modell)
- A képzési tétel mérete
- A színcsatornák száma
- Which improvement did Google announce for Imagen 4 in the Gemini app?
- Fájlok mentése PNG formátumban
- Hang generálása
- Improved text rendering in generated images
- Képek tömörítése
- Az Imagen eredeti architektúrája egy kaszkádot használt, amely egy kép generálásával kezdődött, milyen felbontásban?
- 1024x1024
- 512x512
- 4096x4096
- 64x64
- What did Google DeepMind say SynthID does for images generated with Imagen on Vertex AI?
- Embeds an imperceptible watermark in image pixels to help identify likely Imagen output
- Converts all images to a new file format
- Provides a GPU chip for image training
- Translates the prompt language
- Melyik Google platformon keresztül érhetik el a fejlesztők az Imagent saját alkalmazásaikhoz?
- Google Lapok
- Vertex AI
- Google Térképek
- Chrome DevTools
- What issue does dynamic thresholding address in Imagen's sampling process?
- The model having too few text tokens in its prompt
- The training set containing too many image resolutions
- Pixel values becoming oversaturated when classifier-free guidance is high
- The tokenizer splitting a word into subwords
- What does classifier-free guidance do during Imagen sampling?
- Selects a class label after the image is complete
- Upscales the image without conditioning on its prompt
- Replaces the noise-prediction model with a fixed image lookup
- Combines conditional and unconditioned predictions to steer generation toward the prompt