Rehber bağlantılı sınav · Orta Seviye

Difüzyon Transformatörleri Testi

DiT yama belirteçlerini, koşullandırmayı, ölçeklendirmeyi, video uzay-zaman temsillerini ve birçok belirtecin dikkat maliyetini keşfedin.

İlgili kılavuz yollarıDifüzyon Transformatörleri
Soru 1 arasında 8

Geleneksel difüzyon modelleriyle karşılaştırıldığında Difüzyon Transformatörü hangi bileşenin yerini alır?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Geleneksel difüzyon modelleriyle karşılaştırıldığında Difüzyon Transformatörü hangi bileşenin yerini alır?
    • Evrişimli U-Net gürültü giderici
    • Metin kodlayıcı
    • Görüntü kod çözücü
    • Gürültü programı
  2. DiT, bir görüntüyü Transformer'ın işleyebileceği bir şeye nasıl dönüştürür?
    • Pikselleri doğrudan kelimelere dönüştürür
    • Gizli görüntüyü jeton olarak değerlendirilen parçalara böler
    • Resmin tamamı için bir jeton kullanır
    • Önce görüntüyü sese dönüştürür
  3. Orijinal DiT makalesi ölçeklendirme hakkında ne buldu?
    • Performans boyuta göre hızla değişiyor
    • Daha büyük modeller her zaman daha kötü performans gösterir
    • Model boyutu büyüdükçe ve yama boyutu küçüldükçe performans tahmin edilebileceği gibi artıyor
    • Yama boyutunun etkisi yoktur
  4. DiT'ler genellikle zaman adımı ve metin istemi gibi koşullandırmayı nasıl enjekte eder?
    • Ekstra piksel olarak ekleyerek
    • Modeli her adımda yeniden eğiterek
    • Ayrı bir evrişimsel dal aracılığıyla
    • Uyarlanabilir katman normalizasyonu (adaLN) aracılığıyla
  5. 'adaLN-zero' başlatma işlemi neyi başarıyor?
    • Her Transformer bloğunun istikrarlı eğitim için bir kimlik işlevi olarak başlatılmasını sağlar
    • Normalleştirme katmanlarını siler
    • Tüm modeli donduruyor
    • Giriş görüntüsünü sıfırlar
  6. Hangi iyi bilinen sistem, video oluşturmak için uzay-zaman yamaları üzerinde Transformer omurgasını kullanıyor?
    • Geleneksel bir GAN
    • OpenAI'nin Sora'si
    • Tekrarlayan bir sinir ağı
    • Bir karar ağacı modeli
  7. Why can full self-attention become costly when a DiT processes many patches?
    • Its cost stays constant for any token count
    • It must retrain the U-Net at each denoising step
    • Its pairwise token comparisons grow quadratically with the number of tokens
    • It requires a separate language model for every patch
  8. After a DiT processes latent image patches with its Transformer blocks, what happens to the patch outputs?
    • As one text token for an entire video
    • As only a sequence of audio waveforms
    • As a separate convolutional U-Net for each frame
    • They are reassembled and decoded back into pixels