Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Penalaan Berbilang Konsep Penyebaran Tersuai

Semak penalaan silang perhatian Custom Diffusion, pemperibadian beberapa tangkapan, penyelarasan dan cara yang disokong untuk mengarang berbilang konsep.

Laluan panduan yang berkaitanPenalaan Berbilang Konsep Resapan Tersuai
soalan 1 daripada 8

Bahagian model resapan manakah yang diperhalusi terutamanya oleh Penyebaran Tersuai?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Bahagian model resapan manakah yang diperhalusi terutamanya oleh Penyebaran Tersuai?
    • Unjuran kunci dan nilai dalam lapisan perhatian silang
    • Setiap berat dalam U-Net
    • Penyahkod VAE sahaja
    • Tokenizer teks
  2. Apakah Resapan Tersuai yang paling ketara berbanding kaedah konsep tunggal?
    • Menjana video dan bukannya imej
    • Mengarang pelbagai konsep yang baru dipelajari dalam satu adegan
    • Tidak memerlukan imej sama sekali
    • Berjalan hanya pada CPU
  3. What minimum number of training images did the Custom Diffusion paper report using in some experiments?
    • As few as four images
    • At least 500 images
    • Exactly one image in every experiment
    • The paper specifies no concept images
  4. Mengapa Penyebaran Tersuai menggunakan set imej penyusunan semula daripada kategori konsep yang lebih luas?
    • Untuk mempercepatkan VAE
    • Untuk meningkatkan resolusi imej
    • Untuk mengalih keluar tera air
    • Untuk mengelakkan keterlaluan dan hanyut bahasa pada perkataan konsep
  5. Bagaimanakah dua konsep Resapan Tersuai yang dilatih secara berasingan boleh digunakan bersama?
    • Dengan menggabungkannya melalui pengoptimuman terhad ke atas pemberat yang ditala
    • Mereka tidak boleh digabungkan
    • Dengan purata imej input
    • Dengan melatih semula model penuh dari awal
  6. What proportion of model weights did the Custom Diffusion paper report storing for its tuned subset?
    • About 3% of the model weights
    • All model weights plus a new model copy
    • No trained parameters at all
    • A fixed 50% of the model weights
  7. Besides merging separately tuned models, how does Custom Diffusion support learning multiple concepts?
    • It requires a separate foundation model for every prompt
    • It replaces all cross-attention with a fixed lookup table
    • It can train for multiple concepts jointly
    • It can only learn one concept per model
  8. In a cross-attention layer, what do the tuned text-side key and value projections help associate?
    • Image pixels with internet search results
    • The diffusion timestep with the model's source code
    • Audio frequencies with a document's page number
    • Prompt concepts with features in the image latent representation