Weniger Schritte (DDIM)
Warum das wichtig ist 100 Netzaufrufe pro Bild sind langsam, und echte Modelle benutzen 1000. DDIM (Song, Meng und Ermon, 2021) überspringt Schritte: Es springt von x_t direkt zu einem viel früheren Schritt, ohne frisches Rauschen, mit demselben trainierten Netz. Mit wie wenigen Schritten kommst du davon?
Das Ziffernmodell des Kurses wurde einmal trainiert (difflab.recorded_digit_model()). difflab.sample_digits(model, labels, w=2.0, steps=k) zeichnet ein Bild pro Label mit k DDIM-Schritten (steps=None lässt alle 100 DDPM-Schritte laufen). Der Richter aus Modul 15 bewertet sie: Nähe zur nächsten echten Ziffer (echte Ziffern 1.04).
Tipp die Kurve
Schätze vor dem Messen die Nähe bei 2, 5, 10, 20 und 100 Schritten. Papers und Blogbeiträge sagen oft, dass die Qualität unter 50 Schritten sichtbar sinkt. Miss es an diesem Modell.
Wörter und Symbole in dieser Lektion
- x0, x_t
- die sauberen Daten, und dieselben Daten nach t Rauschschritten
- eps
- das hinzugefügte glockenförmige Rauschen; das Netz lernt, es vorherzusagen
- DDPM
- Stichproben ziehen, indem man durch jeden Schritt zurückgeht, jedes Mal mit frischem Rauschen
- DDIM
- Stichproben ziehen, indem man zwischen wenigen Schritten springt, ohne frisches Rauschen
Fülle my_guess (fünf Näherungszahlen), dann fülle measured mit der echten Nähe bei jedem Schritteszähler aus, und setze fewest_good auf die geringste Anzahl an Schritten, deren Nähe innerhalb von 0.05 vom 100-Schritte-Ergebnis liegt.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.