Gids-gekoppelde quiz · Middelmatig Niveau
Classifier-vrije begeleidingsquiz
Beoordeel classificatievrije begeleiding, voorwaardelijke uitval, afweging tussen kwaliteit en diversiteit, gevolgtrekkingskosten en begeleidingsschaal. Controleer reikwijdte en aannames.
Vraag 1 van 8
Waarom passen diffusiemodellen classificatievrije richtlijnen toe?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Waarom passen diffusiemodellen classificatievrije richtlijnen toe?
- Om te versterken hoe nauw de uitvoer de conditioneringsprompt volgt
- Om het model in een kleiner formaat te comprimeren
- Om de tekstencoder volledig te verwijderen
- Om afbeeldingen naar audio om te zetten
- Hoe leert een model onvoorwaardelijke voorspellingen te doen voor classificatievrije begeleiding?
- Door een tweede afzonderlijke classificator te trainen
- Door tijdens de training de conditionering willekeurig te laten vallen
- Door alleen zwarte afbeeldingen te gebruiken
- Door de GPU uit te schakelen
- Wat levert het verhogen van de begeleidingsschaal in het algemeen op?
- Verbetert altijd de diversiteit
- Verwijdert de invloed van de prompt
- Versterkt de snelle therapietrouw, maar kan oververzadiging veroorzaken
- Maakt de afbeelding grijswaarden
- Hoeveel voorwaartse passages per ruisonderdrukkingsstap zijn er grofweg nodig voor standaard classificatievrije begeleiding?
- Nul
- Tien
- Honderd
- Twee (één voorwaardelijk, één onvoorwaardelijk)
- Welk voordeel heeft classificatievrije begeleiding ten opzichte van classificatiebegeleiding?
- Er is geen afzonderlijk getrainde classificator nodig
- Er zijn meer trainingsgegevens nodig
- Het werkt alleen op tekstmodellen
- Het elimineert het diffusieproces
- In the common classifier-free guidance formula, what does guidance scale s=0 produce?
- The conditional prediction with extra amplification
- The unconditional model prediction without conditioning
- A prediction from a separately trained classifier
- A sample with all denoising removed
- How does classifier-free guidance combine model outputs at inference?
- It combines two image classifiers
- It removes the conditional prompt
- It combines conditional and unconditional score estimates
- It adds a learned reward model after decoding
- What does a guidance scale of 1 generally correspond to in the common formulation?
- The unconditional prediction only
- A classifier-based gradient
- A zero-noise image
- The conditional prediction without extra guidance amplification