Gids-gekoppelde quiz · Middelmatig Niveau

DreamBooth-quiz

Ontdek de onderwerpspecifieke verfijning van de verspreiding van DreamBooth, de doelstelling van voorafgaande bewaring en evaluatie-afwegingen over de prompts heen.

Gerelateerde gidspadenDroombooth
Vraag 1 van 8

Wat verandert DreamBooth dat Textual Inversion niet doet?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat verandert DreamBooth dat Textual Inversion niet doet?
    • De werkelijke gewichten van het model
    • Alleen de prompttekst
    • Het afbeeldingsbestandsformaat
    • De GPU-stuurprogramma's van de gebruiker
  2. Wat is het doel van het verlies van eerdere bewaring van DreamBooth?
    • Om de weergave van afbeeldingen te versnellen
    • Om overfitting te voorkomen en het bredere klassenconcept te behouden
    • Om de bestandsgrootte te verkleinen
    • Om achtergronden te verwijderen
  3. Hoe wordt doorgaans naar een onderwerp verwezen in DreamBooth-trainingsprompts?
    • Bij zijn volledige echte naam
    • Alleen met een numerieke ID
    • Door een zeldzaam teken plus een klassewoord, zoals 'sks dog'
    • Door een emoji
  4. Hoeveel onderwerpafbeeldingen heeft DreamBooth ongeveer nodig?
    • Duizenden
    • Precies één
    • Honderd
    • Rond 3 tot 5
  5. Wat is een veel voorkomende afweging bij het gebruik van DreamBooth?
    • Grotere opslag en meer rekenkracht dan lichtgewicht methoden
    • Lagere beeldkwaliteit dan insluitingen
    • Het werkt alleen op tekst, niet op afbeeldingen
    • Het heeft helemaal geen training nodig
  6. Welke combinatie wordt nu veel gebruikt om DreamBooth lichter te maken?
    • DreamBooth met OCR
    • DreamBooth met LoRA
    • DreamBooth met GPS
    • DreamBooth met audiomodellen
  7. What subject variations did the DreamBooth paper demonstrate in generated images?
    • Only the exact camera angle from the training photos
    • Only the original background pixels
    • The subject could appear in novel scenes, poses, views and lighting
    • Different subjects with no relation to the reference
  8. What kind of model parameters does LoRA adapt?
    • Only the image file metadata
    • A new pixel palette for every output
    • The dataset labels without changing model computation
    • Low-rank update matrices added to selected weight transformations