گائیڈ سے منسلک کوئز · درمیانہ سطح
آٹوریگریسو امیج جنریشن کوئز
جانیں کہ کس طرح خود بخود تصویری ماڈل تصویروں کو ٹوکن ترتیب کے طور پر انکوڈ کرتے ہیں اور متن کے اشارے سے انہیں ایک وقت میں ایک قدم تیار کرتے ہیں۔
سوال 1 کی 8
تصویر کی تخلیق کے تناظر میں 'خودکارانہ' کا کیا مطلب ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- تصویر کی تخلیق کے تناظر میں 'خودکارانہ' کا کیا مطلب ہے؟
- ہر نئے عنصر کی پیشن گوئی پہلے سے تیار کردہ عناصر پر مشروط ہے۔
- ہر نئے عنصر کی پیش گوئی صرف ٹیکسٹ پرامپٹ کا استعمال کرتے ہوئے کی جاتی ہے۔
- بے ترتیب شور سے پوری تصویر کو ایک ہی بار میں مسترد کردیا جاتا ہے۔
- پکسلز ایک دوسرے سے مکمل طور پر آزاد ہوتے ہیں۔
- DALL-E 1 جیسے جدید خودکار تصویری ماڈلز عام طور پر کسی تصویر کی پیشین گوئی کرنے سے پہلے اس کی نمائندگی کیسے کرتے ہیں؟
- ایک واحد مسلسل ویکٹر کے طور پر
- سیکھی ہوئی کوڈ بک سے مجرد ٹوکن کے ایک مقررہ گرڈ کے طور پر
- صرف خام 24 بٹ RGB پکسلز کے طور پر
- ویکٹر گرافکس کی شکلوں کی فہرست کے طور پر
- کون سے ابتدائی ماڈلز نے ایک وقت میں ایک خام پکسل کی تصاویر تیار کیں؟
- GANs اور VAEs
- مستحکم بازی اور امیجین
- PixelRNN اور PixelCNN
- CLIP اور BLIP
- کون سا طریقہ کار اس بات کو یقینی بناتا ہے کہ ٹرانسفارمر خود بخود پیدا کرنے کے دوران صرف پہلے والے ٹوکن پر ہی حاضر ہو؟
- ڈراپ آؤٹ
- بیچ نارملائزیشن
- کنکشنز کو چھوڑ دیں۔
- کازل (نقاب پوش) خود توجہ
- آٹوریگریسو امیج سیمپلنگ کی بنیادی عملی خرابی کیا ہے؟
- سیمپلنگ ترتیب وار ہے اور اس لیے سست ہے۔
- اسے متن پر مشروط نہیں کیا جاسکتا
- یہ عمدہ تفصیل کا نمونہ نہیں بنا سکتا
- اس کے لیے کسی تربیتی ڈیٹا کی ضرورت نہیں ہے۔
- کونسی تکنیک متوازی طور پر بہت سے ٹوکنز کی پیشین گوئی کر کے ٹوکن پر مبنی تصویر بنانے کو تیز کرتی ہے؟
- استاد مجبور
- نقاب پوش متوازی ضابطہ کشائی (مثال کے طور پر، MaskGIT/Muse)
- تدریجی تراشنا
- ایک گرم انکوڈنگ
- How does the original DALL·E model use text and image tokens?
- Separate unconnected classifiers process text and pixels
- A diffusion decoder predicts all pixels simultaneously
- A single autoregressive Transformer models the sequence conditioned on text and image tokens
- The model uses only a text encoder and no image-token sequence
- What scale of image-text pairs did the original DALL·E paper report collecting?
- About 250 pairs
- About 25 thousand pairs
- About 25 billion pairs
- About 250 million image-text pairs