Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Transfoma ya Usambazaji

Gundua tokeni za kiraka za DiT, uwekaji hali, kuongeza ukubwa, uwakilishi wa muda wa video, na gharama ya umakini ya tokeni nyingi.

Njia za mwongozo zinazohusianaVibadilishaji vya Usambazaji
Swali 1 ya 8

Kibadilishaji cha Diffusion kinachukua nafasi gani ikilinganishwa na mifano ya kitamaduni ya uenezaji?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Kibadilishaji cha Diffusion kinachukua nafasi gani ikilinganishwa na mifano ya kitamaduni ya uenezaji?
    • Kipunguza sauti cha U-Net cha ubadilishaji
    • Kisimbaji cha maandishi
    • Avkodare ya picha
    • Ratiba ya kelele
  2. DiT inabadilishaje picha kuwa kitu ambacho Transformer inaweza kusindika?
    • Inabadilisha saizi moja kwa moja hadi maneno
    • Inagawanya picha iliyofichika kuwa viraka vilivyochukuliwa kama ishara
    • Inatumia ishara moja kwa picha nzima
    • Inabadilisha picha kuwa sauti kwanza
  3. Karatasi ya asili ya DiT ilipata nini kuhusu kuongeza kiwango?
    • Utendaji tambarare haraka na saizi
    • Mifano kubwa zaidi daima hufanya kazi mbaya zaidi
    • Utendaji unaboreka kwa kutabirika kadiri ukubwa wa muundo unavyokua na saizi ya kiraka inapungua
    • Ukubwa wa kiraka hauna athari
  4. Je, DiTs huingiza vipi hali kama hatua ya saa na haraka ya maandishi?
    • Kwa kuiongeza kama saizi za ziada
    • Kwa kufundisha tena mfano kila hatua
    • Kupitia tawi tofauti la ubadilishaji
    • Kupitia urekebishaji wa safu inayobadilika (adaLN)
  5. Je, uanzishaji wa 'adaLN-zero' unatimiza nini?
    • Inafanya kila kizuizi cha Transfoma kuanza kama kazi ya utambulisho kwa mafunzo thabiti
    • Inafuta tabaka za kuhalalisha
    • Inafungia mfano mzima
    • Huondoa picha ya ingizo
  6. Ni mfumo gani unaojulikana zaidi unaotumia uti wa mgongo wa Transfoma juu ya viraka vya angani kwa utengenezaji wa video?
    • GAN ya jadi
    • OpenAI ya Sora
    • Mtandao wa neva unaojirudia
    • Mfano wa mti wa uamuzi
  7. Why can full self-attention become costly when a DiT processes many patches?
    • Its cost stays constant for any token count
    • It must retrain the U-Net at each denoising step
    • Its pairwise token comparisons grow quadratically with the number of tokens
    • It requires a separate language model for every patch
  8. After a DiT processes latent image patches with its Transformer blocks, what happens to the patch outputs?
    • As one text token for an entire video
    • As only a sequence of audio waveforms
    • As a separate convolutional U-Net for each frame
    • They are reassembled and decoded back into pixels