แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบดรีมบูธ

สำรวจการปรับแต่งการกระจายแบบละเอียดเฉพาะเรื่องของ DreamBooth วัตถุประสงค์ในการเก็บรักษาไว้ล่วงหน้า และข้อดีในการประเมินในการแจ้งเตือนต่างๆ

เส้นทางแนะนำที่เกี่ยวข้องดรีมบูธ
คำถาม 1 ของ 8

DreamBooth แก้ไขอะไรโดยที่ Textual Inversion ไม่ได้ทำ

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. DreamBooth แก้ไขอะไรโดยที่ Textual Inversion ไม่ได้ทำ
    • น้ำหนักจริงของแบบจำลอง
    • เฉพาะข้อความแจ้งเท่านั้น
    • รูปแบบไฟล์รูปภาพ
    • ไดรเวอร์ GPU ของผู้ใช้
  2. จุดประสงค์ของการสูญเสียการเก็บรักษาล่วงหน้าของ DreamBooth คืออะไร?
    • เพื่อเพิ่มความเร็วในการเรนเดอร์ภาพ
    • เพื่อป้องกันไม่ให้มีการติดตั้งมากเกินไปและคงแนวคิดของคลาสให้กว้างขึ้น
    • เพื่อลดขนาดไฟล์
    • หากต้องการลบพื้นหลัง
  3. โดยทั่วไปหัวข้อต่างๆ จะถูกอ้างอิงอย่างไรในข้อความแจ้งการฝึกอบรม DreamBooth
    • ด้วยชื่อจริงเต็มๆ
    • โดยระบุเป็นตัวเลขเท่านั้น
    • โดยโทเค็นที่หายากบวกกับคำคลาสเช่น 'sks dog'
    • โดยอีโมจิ
  4. DreamBooth ต้องการรูปภาพประมาณกี่รูป
    • หลายพัน
    • ตรงนั้นอันหนึ่ง
    • หนึ่งร้อย
    • ประมาณ 3 ถึง 5
  5. ข้อแลกเปลี่ยนทั่วไปของการใช้ DreamBooth คืออะไร
    • พื้นที่เก็บข้อมูลขนาดใหญ่และการประมวลผลมากกว่าวิธีที่มีน้ำหนักเบา
    • คุณภาพของภาพต่ำกว่าการฝัง
    • ใช้ได้กับข้อความเท่านั้น ไม่ใช่รูปภาพ
    • มันไม่จำเป็นต้องมีการฝึกอบรมเลย
  6. ชุดค่าผสมใดที่ใช้กันอย่างแพร่หลายในปัจจุบันเพื่อทำให้ DreamBooth เบาขึ้น
    • DreamBooth พร้อม OCR
    • DreamBooth พร้อม LoRA
    • ดรีมบูทพร้อม GPS
    • DreamBooth พร้อมโมเดลเสียง
  7. What subject variations did the DreamBooth paper demonstrate in generated images?
    • Only the exact camera angle from the training photos
    • Only the original background pixels
    • The subject could appear in novel scenes, poses, views and lighting
    • Different subjects with no relation to the reference
  8. What kind of model parameters does LoRA adapt?
    • Only the image file metadata
    • A new pixel palette for every output
    • The dataset labels without changing model computation
    • Low-rank update matrices added to selected weight transformations