Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Model Resapan GLIDE
Terokai penjanaan dan pengecatan berpandukan teks GLIDE, latihan bersyarat, pensampelan tanpa pengelas dan seni bina model sejarahnya.
soalan 1 daripada 8
Kaedah panduan manakah yang GLIDE dapati menghasilkan imej yang lebih baik, lebih tepat pada masanya?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Kaedah panduan manakah yang GLIDE dapati menghasilkan imej yang lebih baik, lebih tepat pada masanya?
- Panduan tanpa pengelas
- bimbingan CLIP
- Tiada bimbingan
- Suntingan manual
- Apakah saiz model resapan asas GLIDE penuh yang diterbitkan, sebelum mengira pengsampel naiknya?
- About 3.5 thousand parameters
- About 350 billion parameters
- About 3.5 billion parameters
- No trainable parameters
- Bagaimanakah panduan tanpa pengelas berfungsi semasa latihan?
- Model hanya pernah melihat gesaan yang betul
- Pengelas imej yang berasingan dilatih bersama
- Gesaan diterjemahkan kepada nombor secara rawak
- Model kadangkala melihat gesaan sebenar dan kadang kala kosong
- Sistem kemudian yang manakah menyifatkan penyahkod resapannya sebagai mengubah suai seni bina GLIDE dalam kertas penyelidikan DALL-E 2?
- The original text-only GPT-2 model
- The unCLIP system associated with DALL-E 2
- The Whisper speech recognizer
- The CLIP contrastive encoder alone
- Mengapakah OpenAI hanya mengeluarkan versi GLIDE yang lebih kecil dan ditapis secara terbuka?
- Model penuh telah hilang
- Ia hanya berjalan pada superkomputer
- Kebimbangan tentang penyalahgunaan penjana imej yang berkuasa
- Pelesenan daripada pihak ketiga
- Apakah ciri penyuntingan praktikal yang disokong oleh GLIDE?
- Lukisan didorong teks
- Transkripsi audio
- Formula hamparan
- Penyampaian video
- 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