แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบคำแนะนำแบบแยกประเภทฟรี
ตรวจสอบคำแนะนำที่ไม่ต้องใช้ตัวแยกประเภท การออกจากระบบแบบมีเงื่อนไข การแลกเปลี่ยนด้านคุณภาพและความหลากหลาย ค่าใช้จ่ายในการอนุมาน และมาตราส่วนคำแนะนำ ตรวจสอบขอบเขตและสมมติฐาน
คำถาม 1 ของ 8
เหตุใดโมเดลการแพร่กระจายจึงใช้คำแนะนำที่ไม่ต้องใช้ตัวแยกประเภท
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- เหตุใดโมเดลการแพร่กระจายจึงใช้คำแนะนำที่ไม่ต้องใช้ตัวแยกประเภท
- เพื่อเสริมว่าเอาต์พุตจะปฏิบัติตามพร้อมท์การปรับสภาพอย่างใกล้ชิดเพียงใด
- เพื่อบีบอัดโมเดลให้มีขนาดเล็กลง
- หากต้องการลบตัวเข้ารหัสข้อความทั้งหมด
- ในการแปลงภาพให้เป็นเสียง
- โมเดลเรียนรู้ที่จะทำการคาดการณ์แบบไม่มีเงื่อนไขสำหรับคำแนะนำแบบไม่มีตัวแยกประเภทได้อย่างไร
- โดยการฝึกอบรมลักษณนามแยกที่สอง
- โดยสุ่มปล่อยเครื่องปรับอากาศระหว่างการฝึก
- โดยใช้เฉพาะภาพสีดำเท่านั้น
- โดยปิดการใช้งาน GPU
- โดยทั่วไปการเพิ่มระดับแนวทางทำอะไร?
- ปรับปรุงความหลากหลายอยู่เสมอ
- ลบอิทธิพลของพรอมต์
- ช่วยให้การเกาะติดเร็วขึ้นแต่อาจทำให้เกิดความอิ่มตัวมากเกินไปได้
- ทำให้ภาพมีโทนสีเทา
- คำแนะนำแบบไม่มีตัวแยกประเภทมาตรฐานต้องใช้การส่งต่อไปข้างหน้าประมาณกี่ครั้งต่อขั้นตอนการดีนอยซ์
- ศูนย์
- สิบ
- หนึ่งร้อย
- สอง (หนึ่งมีเงื่อนไข หนึ่งไม่มีเงื่อนไข)
- คำแนะนำแบบไม่มีตัวแยกประเภทมีข้อได้เปรียบเหนือคำแนะนำตัวแยกประเภทอย่างไร
- ไม่จำเป็นต้องมีลักษณนามที่ได้รับการฝึกอบรมแยกต่างหาก
- ต้องใช้ข้อมูลการฝึกอบรมเพิ่มเติม
- ใช้งานได้กับโมเดลข้อความเท่านั้น
- ช่วยลดกระบวนการแพร่กระจาย
- 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
- 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
- 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