Викторина, связанная с руководством · Легко Уровень
Семена и воспроизводимость в викторине по созданию изображений ИИ
Проверяет, как начальное число устанавливает начальный шум, какие настройки должны соответствовать для воссоздания изображения и почему изменения оборудования или модели нарушают точное воспроизведение.
Вопрос 1 из 8
Чем непосредственно управляет семя в генераторе диффузных изображений?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Чем непосредственно управляет семя в генераторе диффузных изображений?
- Данные обучения модели
- Формулировка подсказки
- Выходное разрешение
- Псевдослучайный начальный шум
- Почему сохранение начального значения, но изменение разрешения приводит к несвязанному изображению?
- Семена истекают после одного использования
- Тензор шума меняет форму, поэтому одни и те же числа образуют другой узор
- Изменение разрешения перезаписывает подсказку
- Сэмплер сбрасывается к своим настройкам по умолчанию
- На какой аспект изображения сильно влияет семя, поскольку оно определяется на ранних этапах?
- Общая композиция, например, где стоит фигура
- Формат файла
- Кодировщик текста
- Лицензия изображения
- Почему одно и то же начальное число может давать разный шум на процессоре и графическом процессоре?
- GPU игнорируют семена
- CPU тайно добавляет водяной знак
- CPU и GPU генераторы случайных чисел дают разные последовательности при одинаковом зерне
- Зерна округляются до ближайшей тысячи на GPU
- В пакете из четырех изображений, начиная с начального числа 500, какое начальное число многие инструменты назначают четвертому изображению?
- 500
- 2000
- 504
- 503
- Что говорит руководство о «хороших зернах»?
- Некоторые зерна всегда дают лучшие изображения
- Зерно, которое работает для одного запроса и модели, не обладает особым качеством в других случаях
- Зерно 42 — лучшая отправная точка для любой модели
- Хорошие зерна переносятся между Midjourney и Stable Diffusion
- Почему функции вариации используют сферическую интерполяцию (slerp) вместо простого усреднения?
- Slerp вычисляется быстрее
- Slerp автоматически меняет номер зерна
- Линейное усреднение гауссовского шума уменьшает его дисперсию и приводит к выцветшим изображениям
- Slerp добавляет текст к изображению
- Как отличаются анимальные сэмплеры от DDIM в использовании случайности?
- Они генерируют новый шум на каждом шаге, а не только в начале
- Они полностью не используют случайность
- Они полностью игнорируют seed
- Они используют seed для выбора prompt