Quiz poradnikowy bez klasyfikatorów

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Why do diffusion models apply classifier-free guidance?
   • Aby wzmocnić stopień, w jakim sygnał wyjściowy podąża za podpowiedzią warunkowania
   • Aby skompresować model do mniejszego rozmiaru
   • Aby całkowicie usunąć koder tekstu
   • Aby przekonwertować obrazy na dźwięk
2. W jaki sposób model uczy się dokonywać bezwarunkowych prognoz w celu uzyskania wskazówek wolnych od klasyfikatorów?
   • Poprzez uczenie drugiego oddzielnego klasyfikatora
   • Losowo porzucając kondycję podczas treningu
   • Używając wyłącznie czarnych obrazów
   • Wyłączając GPU
3. Co ogólnie daje zwiększenie skali wskazówek?
   • Zawsze poprawia różnorodność
   • Usuwa wpływ podpowiedzi
   • Wzmacnia szybką przyczepność, ale może powodować przesycenie
   • Sprawia, że obraz jest w skali szarości
4. Mniej więcej, ilu przejść do przodu na etap odszumiania wymaga standardowe prowadzenie bez klasyfikatorów?
   • Zero
   • Dziesięć
   • Sto
   • Dwa (jeden warunkowy, jeden bezwarunkowy)
5. Jaką przewagę ma naprowadzanie bez klasyfikatorów nad naprowadzaniem klasyfikatorem?
   • Nie wymaga osobnego szkolonego klasyfikatora
   • Wymaga większej ilości danych treningowych
   • Działa tylko w modelach tekstowych
   • Eliminuje proces dyfuzji
6. 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
7. 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
8. 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