Rehber bağlantılı sınav · Orta Seviye

DreamBooth Sınavı

DreamBooth'un konuya özel dağılım ince ayarını, önceki koruma hedefini ve istemler arasındaki değerlendirme değişimlerini keşfedin.

İlgili kılavuz yollarıRüya kabini
Soru 1 arasında 8

DreamBooth, Metin Ters Çevirme'nin yapmadığı neyi değiştirir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. DreamBooth, Metin Ters Çevirme'nin yapmadığı neyi değiştirir?
    • Modelin gerçek ağırlıkları
    • Yalnızca bilgi istemi metni
    • Resim dosyası formatı
    • Kullanıcının GPU sürücüleri
  2. DreamBooth'un ön koruma kaybının amacı nedir?
    • Görüntü oluşturmayı hızlandırmak için
    • Aşırı uyumu önlemek ve daha geniş sınıf konseptini korumak için
    • Dosya boyutunu küçültmek için
    • Arka planları kaldırmak için
  3. DreamBooth eğitim istemlerinde bir konuya genellikle nasıl başvurulur?
    • Tam gerçek adıyla
    • Yalnızca sayısal kimlikle
    • Nadir bir simge artı 'sks köpeği' gibi sınıfsal bir sözcükle
    • Bir emojiyle
  4. DreamBooth'un yaklaşık olarak kaç konu görüntüsüne ihtiyacı var?
    • Binlerce
    • Kesinlikle bir
    • Yüz
    • 3 ila 5 arası
  5. DreamBooth'u kullanmanın ortak noktası nedir?
    • Hafif yöntemlere göre daha büyük depolama ve daha fazla bilgi işlem
    • Gömmelerden daha düşük görüntü kalitesi
    • Yalnızca metin üzerinde çalışır, resimlerde değil
    • Hiç eğitime ihtiyacı yok
  6. DreamBooth'u daha hafif hale getirmek için artık yaygın olarak hangi kombinasyon kullanılıyor?
    • OCR özellikli DreamBooth
    • LoRA ile DreamBooth
    • GPS'li DreamBooth
    • DreamBooth ses modelleriyle
  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