Temario Lección 187 de 246 · Módulo 17: Entra ruido, salen imágenes (difusión)
Módulo 17: Entra ruido, salen imágenes (difusión)

Decirle al modelo en qué paso está

Por qué importa El mismo punto con ruido necesita una corrección pequeña en el paso 5 y una grande en el paso 90. Una red a la que no se le dice el paso tiene que adivinarlo solo a partir del punto. Cómo se lo dices es una decisión de diseño, y la elección famosa no siempre es la mejor.

Tres maneras (difflab.time_input):

  • none: la red solo ve el punto.
  • raw: un número extra, t / T.
  • sine: 8 senos y 8 cosenos de t / T con frecuencias de 1 a 100, el embedding que usan los transformers para las posiciones. Los modelos de imagen grandes lo usan, porque muchas frecuencias dejan que una red profunda reaccione con brusquedad a cambios pequeños de t.

Las ejecuciones grabadas entrenan cada una con la espiral, 3 semillas. Compáralas con la regla del Módulo 9: un ajuste le gana a otro cuando su puntuación media en la forma es al menos 0.1 más alta Y es más alta en todas las semillas (3 de 3).

Palabras y símbolos de esta lección
en la forma, cobertura
el juez 2D: la proporción de muestras cerca de la forma real, y la proporción de la forma con una muestra cerca
Tu turno

Escribe sine_time(t, T) que devuelva los 16 números por paso (primero los senos, luego los cosenos, frecuencias np.exp(np.linspace(0, np.log(100), 8))). Luego escribe beats(a, b) para dos nombres de ajustes grabados, y rellena verdicts para raw frente a none, sine frente a none y sine frente a raw.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.