Викторина, связанная с руководством · Средний Уровень

Викторина по настройке Custom Diffusion Multi-Concept

Ознакомьтесь с настройкой перекрестного внимания, индивидуальной персонализацией, регуляризацией и поддерживаемыми способами составления нескольких концепций Custom Diffusion.

Связанные направляющие путиПользовательский мультиконцепт-тюнинг Diffusion
Вопрос 1 из 8

Какую часть модели распространения в первую очередь настраивает Custom Diffusion?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какую часть модели распространения в первую очередь настраивает Custom Diffusion?
    • Ключевые и ценностные проекции на уровнях перекрестного внимания
    • Каждый вес в U-Net
    • Только декодер VAE
    • Текстовый токенизатор
  2. Чем Custom Diffusion наиболее примечательна по сравнению с методами, основанными на одной концепции?
    • Создание видео вместо изображений
    • Объединение нескольких недавно изученных концепций в одной сцене.
    • Не требует никаких изображений вообще
    • Работает только на процессорах
  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. Почему Custom Diffusion использует набор изображений регуляризации из более широкой категории концепции?
    • Чтобы ускорить VAE
    • Чтобы увеличить разрешение изображения
    • Удаление водяных знаков
    • Чтобы предотвратить переобучение и языковой дрейф концептуального слова.
  5. Как можно использовать вместе две отдельно обученные концепции Custom Diffusion?
    • Объединив их посредством ограниченной оптимизации по настроенным весам.
    • Их никогда нельзя объединить
    • Усредняя входные изображения
    • Путем переобучения полной модели с нуля
  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