แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการปรับแต่งหลายแนวคิดการแพร่กระจายแบบกำหนดเอง

ตรวจสอบการปรับความสนใจข้ามของ Custom Diffusion การปรับเปลี่ยนในแบบของคุณเพียงไม่กี่ช็อต การทำให้เป็นมาตรฐาน และวิธีการที่รองรับในการเขียนแนวคิดที่หลากหลาย

เส้นทางแนะนำที่เกี่ยวข้องการปรับแต่งแนวคิด Diffusion Multi แบบกำหนดเอง
คำถาม 1 ของ 8

ส่วนใดของโมเดลการแพร่กระจายที่ Custom Diffusion มีการปรับแต่งอย่างละเอียดเป็นหลัก

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ส่วนใดของโมเดลการแพร่กระจายที่ Custom Diffusion มีการปรับแต่งอย่างละเอียดเป็นหลัก
    • การคาดคะเนคีย์และคุณค่าในชั้นความสนใจข้าม
    • ทุกน้ำหนักใน U-Net
    • ตัวถอดรหัส VAE เท่านั้น
    • tokenizer ข้อความ
  2. Custom Diffusion โดดเด่นที่สุดเมื่อเปรียบเทียบกับวิธีการแบบแนวคิดเดียวคืออะไร
    • การสร้างวิดีโอแทนภาพ
    • การเขียนแนวคิดที่เพิ่งเรียนรู้หลายรายการในฉากเดียว
    • ไม่ต้องการรูปภาพใดๆ ทั้งสิ้น
    • ทำงานบน CPU เท่านั้น
  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. เหตุใด Custom Diffusion จึงใช้ชุดรูปภาพที่ทำให้เป็นมาตรฐานจากหมวดหมู่ที่กว้างกว่าของแนวคิด
    • เพื่อเพิ่มความเร็วให้กับ VAE
    • เพื่อเพิ่มความละเอียดของภาพ
    • หากต้องการลบลายน้ำ
    • เพื่อป้องกันไม่ให้มีการใช้คำมากเกินไปและการใช้ภาษาลอยไปในคำที่เป็นแนวคิด
  5. แนวคิด Custom Diffusion ที่ได้รับการฝึกอบรมแยกกันสองแนวคิดสามารถใช้ร่วมกันได้อย่างไร
    • โดยการผสานเข้าด้วยกันผ่านการเพิ่มประสิทธิภาพที่มีข้อจำกัดเหนือน้ำหนักที่ปรับแล้ว
    • พวกเขาไม่สามารถรวมกันได้
    • โดยการหาค่าเฉลี่ยของภาพที่นำเข้า
    • โดยการฝึกโมเดลเต็มรูปแบบใหม่ตั้งแต่ต้น
  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