Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra điều chỉnh đa khái niệm khuếch tán tùy chỉnh

Xem lại khả năng điều chỉnh sự chú ý chéo của Khuếch tán tùy chỉnh, cá nhân hóa vài lần chụp, chính quy hóa và các cách được hỗ trợ để soạn nhiều khái niệm.

Đường dẫn hướng dẫn liên quanĐiều chỉnh đa khái niệm khuếch tán tùy chỉnh
Câu hỏi 1 của 8

Phần nào của mô hình khuếch tán mà Khuếch tán tùy chỉnh chủ yếu tinh chỉnh?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Phần nào của mô hình khuếch tán mà Khuếch tán tùy chỉnh chủ yếu tinh chỉnh?
    • Các dự báo khóa và giá trị trong các lớp chú ý chéo
    • Mọi trọng lượng trong U-Net
    • Chỉ bộ giải mã VAE
    • Trình mã thông báo văn bản
  2. Khuếch tán tùy chỉnh đáng chú ý nhất so với các phương pháp khái niệm đơn lẻ là gì?
    • Tạo video thay vì hình ảnh
    • Soạn nhiều khái niệm mới học trong một cảnh
    • Không yêu cầu hình ảnh nào cả
    • Chỉ chạy trên CPU
  3. What minimum number of training images did the Custom Diffusion paper report using in some experiments?
    • As few as four images
    • At least 500 images
    • Exactly one image in every experiment
    • The paper specifies no concept images
  4. Tại sao Khuếch tán Tùy chỉnh sử dụng một tập hợp các hình ảnh chuẩn hóa từ danh mục rộng hơn của khái niệm?
    • Để tăng tốc VAE
    • Để tăng độ phân giải hình ảnh
    • Để loại bỏ hình mờ
    • Để ngăn chặn việc trang bị quá mức và trôi dạt ngôn ngữ đối với từ khái niệm
  5. Làm cách nào để có thể sử dụng hai khái niệm Khuếch tán Tùy chỉnh được đào tạo riêng biệt cùng nhau?
    • Bằng cách hợp nhất chúng thông qua tối ưu hóa bị ràng buộc đối với các trọng số được điều chỉnh
    • Chúng không bao giờ có thể được kết hợp
    • Bằng cách lấy trung bình các hình ảnh đầu vào
    • Bằng cách đào tạo lại mô hình đầy đủ từ đầu
  6. What proportion of model weights did the Custom Diffusion paper report storing for its tuned subset?
    • About 3% of the model weights
    • All model weights plus a new model copy
    • No trained parameters at all
    • A fixed 50% of the model weights
  7. Besides merging separately tuned models, how does Custom Diffusion support learning multiple concepts?
    • It requires a separate foundation model for every prompt
    • It replaces all cross-attention with a fixed lookup table
    • It can train for multiple concepts jointly
    • It can only learn one concept per model
  8. In a cross-attention layer, what do the tuned text-side key and value projections help associate?
    • Image pixels with internet search results
    • The diffusion timestep with the model's source code
    • Audio frequencies with a document's page number
    • Prompt concepts with features in the image latent representation