گائیڈ سے منسلک کوئز · درمیانہ سطح
ڈفیوژن ٹرانسفارمرز کوئز
ڈی آئی ٹی پیچ ٹوکنز، کنڈیشنگ، اسکیلنگ، ویڈیو اسپیس ٹائم کی نمائندگی، اور بہت سے ٹوکنز کی توجہ کی قیمت کو دریافت کریں۔
سوال 1 کی 8
روایتی ڈفیوژن ماڈلز کے مقابلے میں ڈفیوژن ٹرانسفارمر کون سا جزو بدلتا ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- روایتی ڈفیوژن ماڈلز کے مقابلے میں ڈفیوژن ٹرانسفارمر کون سا جزو بدلتا ہے؟
- convolutional U-Net denoiser
- ٹیکسٹ انکوڈر
- تصویر کو ڈیکوڈر
- شور کا شیڈول
- ڈی آئی ٹی کسی تصویر کو کسی ایسی چیز میں کیسے بدلتا ہے جس پر ٹرانسفارمر عمل کر سکتا ہے؟
- یہ پکسلز کو براہ راست الفاظ میں تبدیل کرتا ہے۔
- یہ پوشیدہ تصویر کو ٹوکن کے طور پر علاج کیے جانے والے پیچ میں تقسیم کرتا ہے۔
- یہ پوری تصویر کے لیے ایک ٹوکن استعمال کرتا ہے۔
- یہ تصویر کو پہلے آڈیو میں تبدیل کرتا ہے۔
- اصل ڈی آئی ٹی پیپر نے اسکیلنگ کے بارے میں کیا پایا؟
- سائز کے ساتھ تیزی سے کارکردگی پلیٹاؤس
- بڑے ماڈل ہمیشہ بدتر کارکردگی کا مظاہرہ کرتے ہیں۔
- جیسا کہ ماڈل کا سائز بڑھتا ہے اور پیچ کا سائز سکڑتا ہے کارکردگی متوقع طور پر بہتر ہوتی ہے۔
- پیچ کے سائز کا کوئی اثر نہیں ہے۔
- DiTs عام طور پر ٹائم سٹیپ اور ٹیکسٹ پرامپٹ کی طرح کنڈیشنگ کیسے لگاتے ہیں؟
- اسے اضافی پکسلز کے طور پر شامل کرکے
- ہر قدم ماڈل کو دوبارہ تربیت دے کر
- ایک علیحدہ convolutional برانچ کے ذریعے
- انکولی پرت نارملائزیشن (adaLN) کے ذریعے
- 'adaLN-zero' ابتداء سے کیا حاصل ہوتا ہے؟
- یہ ہر ٹرانسفارمر بلاک کو مستحکم تربیت کے لیے شناختی فنکشن کے طور پر شروع کرتا ہے۔
- یہ نارملائزیشن پرتوں کو حذف کر دیتا ہے۔
- یہ پورے ماڈل کو منجمد کر دیتا ہے۔
- یہ ان پٹ امیج کو صفر کر دیتا ہے۔
- کون سا معروف نظام ویڈیو جنریشن کے لیے اسپیس ٹائم پیچ پر ٹرانسفارمر بیک بون استعمال کرتا ہے؟
- ایک روایتی GAN
- OpenAI کی Sora
- ایک بار بار چلنے والا عصبی نیٹ ورک
- فیصلے کے درخت کا ماڈل
- 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
- 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