引导式测验 · 硬 等级
流量匹配测验
探索流匹配的学习向量场、条件路径、ODE 采样及其与基于扩散的生成的关系。
问题 1 的 8
流匹配模型直接学习预测什么？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 流匹配模型直接学习预测什么？
- 将样本从噪声移动到数据的速度场
- 每个图像的分类标签
- 图像的压缩 JPEG 字节
- 像素值的固定查找表
- 如何从经过训练的流匹配模型生成样本？
- 通过对离散马尔可夫词链进行采样
- 通过将学习到的速度场与从噪声开始的 ODE 求解器相结合
- 通过在输入图像上运行梯度下降
- 通过对整个训练集进行平均
- 是什么使得条件流匹配损失易于训练？
- 它完全忽略数据
- 它需要解析地求解整个边缘场
- 它以单个数据点为条件并使用简单的已知插值路径
- 它永远一次只适用于一张图像
- 为什么“整流流”变体能够实现更快的生成？
- 它使用更大的神经网络
- 它完全跳过训练
- 它首先将图像转换为文本
- 它拉直了概率路径，因此需要更少的 ODE 求解器步骤
- 哪个命名图像模型的论文明确描述了整流流变压器？
- Stable Diffusion 3
- 如引用的来源集所确立的 Flux
- ResNet-50
- YOLOv8
- 在条件流匹配中，时间 t 时噪声样本和数据样本之间的典型插值是什么？
- 像素的随机洗牌
- x_t = (1-t)*noise + t*data，直线混合
- 对每个像素值进行平方
- 按亮度对像素排序
- 在条件流匹配中，边际向量场与条件向量场是如何关联的？
- 它是训练批次中最大的向量
- 它是与时间无关的固定类标签
- 它是条件向量场关于条件变量的条件期望
- 它是数据的平均像素值
- 除了生成建模之外，原始整流流（rectified-flow）论文还描述了什么其他任务？
- 使用说话人嵌入进行语音分离
- 仅从标签对手写数字进行分类
- 预测日历可用性
- 分布之间的数据或域迁移