แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบโมเดลความสม่ำเสมอ
ทำความเข้าใจว่าโมเดลความสอดคล้องเรียนรู้การสร้างขั้นตอนเดียวหรือไม่กี่ขั้นตอนจากวิถีการแพร่กระจายและข้อจำกัดขอบเขตได้อย่างไร
คำถาม 1 ของ 8
ปัญหาหลักประการใดของแบบจำลองการแพร่กระจายที่แบบจำลองความสอดคล้องระบุอยู่
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ปัญหาหลักประการใดของแบบจำลองการแพร่กระจายที่แบบจำลองความสอดคล้องระบุอยู่
- การสุ่มตัวอย่างแบบแพร่กระจายทำได้ช้าเนื่องจากต้องมีขั้นตอนวนซ้ำหลายขั้นตอน
- การแพร่กระจายไม่สามารถสร้างภาพสีได้
- การแพร่กระจายใช้หน่วยความจำน้อยเกินไป
- การแพร่กระจายใช้ได้กับข้อความเท่านั้น
- คุณสมบัติ 'ความสม่ำเสมอในตนเอง' ที่โมเดลเหล่านี้ได้รับการฝึกอบรมเพื่อตอบสนองความต้องการคืออะไร
- ทุกภาพจะต้องมีสีเดียวกัน
- ทุกจุดบนวิถีโคจรของสัญญาณรบกวนต่อข้อมูลจะแมปไปยังจุดสิ้นสุดที่ปลอดภัยเดียวกัน
- แบบจำลองจะต้องเห็นด้วยกับผู้ติดป้ายกำกับที่เป็นมนุษย์
- เอาต์พุตจะต้องเท่ากับสัญญาณรบกวนอินพุต
- ฟังก์ชันความสอดคล้องจะต้องเป็นไปตามเงื่อนไขขอบเขตใด ณ เวลาที่เป็นศูนย์
- มันจะต้องส่งเสียงรบกวนที่บริสุทธิ์
- มันจะต้องแสดงภาพสีดำ
- จะต้องทำหน้าที่เป็นตัวตน (ส่งคืนอินพุตไม่เปลี่ยนแปลง)
- จะต้องส่งออกค่าเฉลี่ยชุดข้อมูล
- แบบจำลองความสอดคล้องสามารถสร้างขึ้นจากแบบจำลองการแพร่กระจายที่มีอยู่ได้อย่างไร
- โดยสุ่มลบครึ่งหนึ่งของเลเยอร์
- โดยการแปลงเป็นแผนผังการตัดสินใจ
- โดยการฝึกอบรมเฉพาะข้อมูลข้อความเท่านั้น
- โดยการกลั่นสม่ำเสมอของแบบจำลองการแพร่กระจายที่ฝึกไว้ล่วงหน้า
- เทคนิคใดที่ทำให้การฝึกอบรมมีความสม่ำเสมอโดยการกำหนดเป้าหมายการเรียนรู้
- เครือข่ายเป้าหมายได้รับการอัปเดตเป็นค่าเฉลี่ยเคลื่อนที่แบบเอ็กซ์โปเนนเชียล
- สุ่มลบฟังก์ชันการสูญเสีย
- เพิ่มอัตราการเรียนรู้เป็นสองเท่าในแต่ละขั้นตอน
- ใช้อิมเมจการฝึกเพียงอันเดียว
- How many sampling steps did the Latent Consistency Models paper report for high-quality 768×768 image generation?
- Hundreds of steps in every setting
- Two to four sampling steps
- Exactly one training epoch
- No sampling or model evaluation
- What are two training routes introduced for consistency models?
- Only supervised image classification
- Only adversarial training with a discriminator
- Consistency distillation from a pretrained diffusion model and standalone consistency training
- Token prediction and masked language modeling
- Which zero-shot image-editing tasks did the consistency-model paper demonstrate?
- Speech diarization and speaker verification
- Machine translation and summarization
- Database query planning and code completion
- Inpainting, colorization and super-resolution