گامهای کمتر (DDIM)
چرا مهم است 100 فراخوانی شبکه برای هر تصویر کند است و مدلهای واقعی از 1000 استفاده میکنند. DDIM (Song، Meng و Ermon، 2021) از گامها میگذرد: از x_t مستقیماً به گامی بسیار پیشتر، بدون نویز تازه، با همان شبکهٔ آموزشدیده میپرد. با چند گام کم میتوانید از پسش برآیید؟
مدل رقم دوره یک بار آموزش داده شده است (difflab.recorded_digit_model()). difflab.sample_digits(model, labels, w=2.0, steps=k) برای هر برچسب یک تصویر با k گام DDIM میکشد (steps=None همهٔ 100 گام DDPM را اجرا میکند). داور ماژول 15 امتیازشان میدهد: نزدیکی به نزدیکترین رقم واقعی (رقمهای واقعی 1.04).
پیشبینی منحنی
پیش از سنجش، نزدیکی را در 2، 5، 10، 20 و 100 گام حدس بزنید. مقالهها و پستهای وبلاگی اغلب میگویند کیفیت زیر 50 گام آشکارا افت میکند. آن را روی این مدل بسنجید.
واژهها و نمادهای این درس
- x0، x_t
- دادهٔ تمیز، و همان داده پس از t گام نویز
- eps
- نویز زنگولهای که اضافه شد؛ شبکه پیشبینی آن را یاد میگیرد
- DDPM
- نمونهگیری با گام برداشتن رو به عقب از میان هر گام، با نویز تازه در هر بار
- DDIM
- نمونهگیری با پرش میان چند گام، بدون نویز تازه
my_guess (پنج عدد نزدیکی) را پر کنید، سپس measured را با نزدیکی واقعی در هر شمار گام پر کنید و fewest_good را برابر کمترین گامهایی قرار دهید که نزدیکیشان در فاصلهٔ 0.05 از نتیجهٔ 100 گام است.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.