Rehber bağlantılı sınav · Orta Seviye

Özel Difüzyon Çok Konseptli Ayarlama Sınavı

Özel Dağıtım'ın çapraz dikkat ayarlamasını, birkaç çekimde kişiselleştirmeyi, düzenlileştirmeyi ve birden fazla konsept oluşturmanın desteklenen yollarını inceleyin.

İlgili kılavuz yollarıÖzel Difüzyon Çoklu Konsept Ayarlama
Soru 1 arasında 8

Özel Dağıtım öncelikle dağıtım modelinin hangi kısmında ince ayar yapar?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Özel Dağıtım öncelikle dağıtım modelinin hangi kısmında ince ayar yapar?
    • Çapraz dikkat katmanlarındaki anahtar ve değer projeksiyonları
    • U-Net'teki her ağırlık
    • Yalnızca VAE kod çözücü
    • Metin belirteci
  2. Tek kavramlı yöntemlerle karşılaştırıldığında Özel Yayılım en çok dikkat çeken nedir?
    • Görüntü yerine video oluşturma
    • Tek bir sahnede yeni öğrenilen birden fazla kavramın oluşturulması
    • Hiçbir görüntü gerektirmiyor
    • Yalnızca CPU'larda çalışır
  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. Özel Dağıtım neden konseptin daha geniş kategorisindeki bir dizi düzenleme görselini kullanıyor?
    • VAE'yi hızlandırmak için
    • Görüntü çözünürlüğünü artırmak için
    • Filigranları kaldırmak için
    • Kavram sözcüğünde aşırı uyumu ve dil kaymasını önlemek için
  5. Ayrı ayrı eğitilmiş iki Özel Dağıtım konsepti birlikte nasıl kullanılabilir?
    • Bunları ayarlanmış ağırlıklar üzerinden kısıtlı bir optimizasyon yoluyla birleştirerek
    • Asla bir araya getirilemezler
    • Giriş görüntülerinin ortalamasını alarak
    • Tam modeli sıfırdan yeniden eğiterek
  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