Câu đố đảo ngược văn bản

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

1. Các loại khái niệm nào mà bài báo về textual inversion ban đầu đã cá nhân hoá?
   • Các đối tượng hoặc phong cách hình ảnh do người dùng cung cấp
   • Chỉ các lược đồ cơ sở dữ liệu
   • Chỉ bản ghi âm thanh
   • Chỉ các tham số hiệu chuẩn máy ảnh
2. Textual Inversion thường cần khoảng bao nhiêu hình ảnh mẫu?
   • Chỉ một hình ảnh duy nhất
   • Khoảng 3 đến 5 hình ảnh
   • Hàng ngàn hình ảnh
   • Không có hình ảnh nào cả
3. Tại sao các tệp Đảo ngược văn bản lại nhỏ như vậy (thường là vài kilobyte)?
   • Họ nén toàn bộ mô hình
   • Chúng chỉ là những lời nhắc bằng văn bản
   • Chúng chỉ lưu trữ một vectơ đã học
   • Họ tham khảo cơ sở dữ liệu trực tuyến
4. Điều gì không thay đổi trong quá trình đào tạo Đảo ngược văn bản?
   • Những hình ảnh ví dụ
   • Từ giả mới
   • Định dạng nhắc nhở văn bản
   • Tất cả trọng lượng hiện có của mô hình
5. Bạn sử dụng khái niệm đã học sau khi đảo ngược văn bản như thế nào?
   • Nhập từ giả mới của nó vào dấu nhắc
   • Đào tạo lại mô hình mỗi lần
   • Tải ảnh lên lần nữa
   • Chỉnh sửa mã nguồn của mô hình
6. Sự mất mát nào được sử dụng để tối ưu hóa việc nhúng mới?
   • Mất độ chính xác phân loại
   • Sự mất nhiễu khuếch tán trên các hình ảnh ví dụ
   • Mất khả năng nhận dạng giọng nói
   • Không mất mát; đó là điều chỉnh thủ công
7. Textual inversion sử dụng token đã học như thế nào trong quá trình sinh?
   • Nó thay thế bộ giải mã hình ảnh
   • Nó chỉnh sửa trực tiếp một hình ảnh đã tạo mà không cần lấy mẫu
   • Nó chèn token vào lời nhắc văn bản để mô hình text-to-image đã đóng băng có thể dựa vào nó
   • Nó thay đổi từ vựng tokenizer của mô hình cho mỗi người dùng
8. Hạn chế chính của một khái niệm được học từ chỉ một vài hình ảnh mẫu là gì?
   • Nó luôn tăng độ phân giải hình ảnh của mô hình
   • Nó tự động học mọi góc nhìn và điều kiện ánh sáng
   • Nó thay đổi tất cả các khái niệm hiện có của mô hình một cách đồng đều
   • Nó có thể nắm bắt các đặc điểm ngẫu nhiên của những ví dụ đó và tổng quát không hoàn hảo