Bài kiểm tra hướng dẫn không cần phân loại

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. Why do diffusion models apply classifier-free guidance?
   • Để tăng cường mức độ đầu ra tuân theo lời nhắc điều hòa chặt chẽ như thế nào
   • Để nén mô hình thành kích thước nhỏ hơn
   • Để loại bỏ hoàn toàn bộ mã hóa văn bản
   • Để chuyển đổi hình ảnh thành âm thanh
2. Làm cách nào để một mô hình học cách đưa ra các dự đoán vô điều kiện cho hướng dẫn không cần phân loại?
   • Bằng cách đào tạo bộ phân loại riêng biệt thứ hai
   • Bằng cách thả điều hòa ngẫu nhiên trong quá trình luyện tập
   • Bằng cách chỉ sử dụng hình ảnh màu đen
   • Bằng cách vô hiệu hóa GPU
3. Việc tăng quy mô hướng dẫn thường có tác dụng gì?
   • Luôn cải thiện sự đa dạng
   • Loại bỏ ảnh hưởng của lời nhắc
   • Tăng cường sự tuân thủ nhanh chóng nhưng có thể gây ra tình trạng quá bão hòa
   • Làm cho hình ảnh có thang độ xám
4. Hướng dẫn không có bộ phân loại tiêu chuẩn yêu cầu khoảng bao nhiêu lần chuyển tiếp cho mỗi bước khử nhiễu?
   • số không
   • mười
   • một trăm
   • Hai (một có điều kiện, một vô điều kiện)
5. Hướng dẫn không có bộ phân loại có ưu điểm gì so với hướng dẫn của bộ phân loại?
   • Nó không cần bộ phân loại được đào tạo riêng
   • Nó đòi hỏi nhiều dữ liệu đào tạo hơn
   • Nó chỉ hoạt động trên các mô hình văn bản
   • Nó loại bỏ quá trình khuếch tán
6. In the common classifier-free guidance formula, what does guidance scale s=0 produce?
   • The conditional prediction with extra amplification
   • The unconditional model prediction without conditioning
   • A prediction from a separately trained classifier
   • A sample with all denoising removed
7. How does classifier-free guidance combine model outputs at inference?
   • It combines two image classifiers
   • It removes the conditional prompt
   • It combines conditional and unconditional score estimates
   • It adds a learned reward model after decoding
8. What does a guidance scale of 1 generally correspond to in the common formulation?
   • The unconditional prediction only
   • A classifier-based gradient
   • A zero-noise image
   • The conditional prediction without extra guidance amplification