Вікторина, пов’язана з посібником · важко Рівень
Тест на відповідність потоку
Ознайомтеся з навченими векторними полями, умовними шляхами, вибіркою ODE та зв’язком із генерацією на основі дифузії.
Питання 1 з 8
Що безпосередньо вчиться прогнозувати модель зіставлення потоків?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Що безпосередньо вчиться прогнозувати модель зіставлення потоків?
- Поле швидкості, яке переміщує вибірки від шуму до даних
- Мітка класифікації для кожного зображення
- Стиснуті байти зображення у форматі JPEG
- Фіксована таблиця пошуку значень пікселів
- Як генеруються зразки з навченої моделі відповідності потоку?
- Шляхом вибірки дискретного марковського ланцюжка слів
- Шляхом інтегрування вивченого поля швидкості з вирішувачем ODE, починаючи з шуму
- Запустивши градієнтний спуск на вхідному зображенні
- Шляхом усереднення всього навчального набору
- Що робить втрату узгодження умовного потоку придатною для навчання?
- Він повністю ігнорує дані
- Це вимагає аналітичного вирішення повного граничного поля
- Він обумовлює одну точку даних і використовує простий відомий шлях інтерполяції
- Він працює лише на одному зображенні за раз назавжди
- Чому варіант «випрямленого потоку» забезпечує швидшу генерацію?
- Він використовує більші нейронні мережі
- Це повністю пропускає тренування
- Він спочатку перетворює зображення на текст
- Він вирівнює ймовірнісні шляхи, тому потрібно менше кроків розв’язувача ODE
- Which named image model’s paper explicitly describes a rectified-flow transformer?
- Stable Diffusion 3
- Flux, as established by the cited source set
- ResNet-50
- YOLov8
- Яка типова інтерполяція між вибіркою шуму та вибіркою даних у умовному узгодженні потоку в момент часу t?
- Випадкове перемішування пікселів
- x_t = (1-t)*шум + t*дані, прямолінійна суміш
- Зведення кожного пікселя в квадрат
- Сортування пікселів за яскравістю
- In conditional flow matching, how is the marginal vector field related to conditional vector fields?
- It is the largest vector in the training batch
- It is a fixed class label independent of time
- It is the conditional expectation of the conditional vector field over the conditioning variable
- It is the average pixel value of the data
- Beyond generative modeling, what other task does the original rectified-flow paper describe?
- Speech diarization with speaker embeddings
- Classifying handwritten digits from labels alone
- Predicting calendar availability
- Data or domain transfer between distributions