Sınıflandırıcısız Rehberlik Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Why do diffusion models apply classifier-free guidance?
   • Çıktının koşullandırma istemini ne kadar yakından takip ettiğini güçlendirmek için
   • Modeli daha küçük bir boyuta sıkıştırmak için
   • Metin kodlayıcıyı tamamen kaldırmak için
   • Görüntüleri sese dönüştürmek için
2. Bir model, sınıflandırıcısız rehberlik için koşulsuz tahminler yapmayı nasıl öğrenir?
   • İkinci bir ayrı sınıflandırıcıyı eğiterek
   • Antrenman sırasında kondisyonlamayı rastgele bırakarak
   • Yalnızca siyah görseller kullanarak
   • GPU'yu devre dışı bırakarak
3. Rehberlik ölçeğini artırmak genel olarak ne işe yarar?
   • Çeşitliliği her zaman geliştirir
   • İstemin etkisini ortadan kaldırır
   • Hızlı yapışmayı güçlendirir ancak aşırı doygunluğa neden olabilir
   • Görüntüyü gri tonlamalı yapar
4. Standart sınıflandırıcısız yönlendirme, gürültü giderme adımı başına yaklaşık olarak kaç ileri geçiş gerektirir?
   • Sıfır
   • On
   • Yüz
   • İki (biri koşullu, biri koşulsuz)
5. Sınıflandırıcısız rehberliğin, sınıflandırıcı rehberliğine göre ne gibi avantajları vardır?
   • Ayrı olarak eğitilmiş bir sınıflandırıcıya ihtiyaç duymaz
   • Daha fazla eğitim verisi gerektirir
   • Yalnızca metin modellerinde çalışır
   • Difüzyon sürecini ortadan kaldırır
6. 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
7. 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
8. 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