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.

Kapcsolódó útmutató utakGoogle Kép
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.

  1. Milyen típusú generatív modellre épül az Google Imagen?
    • Egy diffúziós modell
    • Generatív ellenséges hálózat (GAN)
    • Csak egy variációs autoencoder
    • Szabályalapú megjelenítő
  2. 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
  3. 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
  4. Az Imagen eredeti architektúrája egy kaszkádot használt, amely egy kép generálásával kezdődött, milyen felbontásban?
    • 1024x1024
    • 512x512
    • 4096x4096
    • 64x64
  5. 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
  6. Melyik Google platformon keresztül érhetik el a fejlesztők az Imagent saját alkalmazásaikhoz?
    • Google Lapok
    • Vertex AI
    • Google Térképek
    • Chrome DevTools
  7. 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
  8. 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