Programme Leçon 187 sur 246 · Module 17 : Du bruit en entrée, des images en sortie (diffusion)
Module 17 : Du bruit en entrée, des images en sortie (diffusion)

Dire au modèle à quel pas il est

Pourquoi c'est important Le même point bruité a besoin d'une petite correction au pas 5 et d'une grande au pas 90. Un réseau à qui on ne dit pas le pas doit le deviner à partir du seul point. La façon de le lui dire est un choix de conception, et le choix célèbre n'est pas toujours le meilleur.

Trois façons (difflab.time_input) :

  • none : le réseau ne voit que le point.
  • raw : un nombre en plus, t / T.
  • sine : 8 sinus et 8 cosinus de t / T à des fréquences de 1 à 100, l'embedding qu'utilisent les transformers pour les positions. Les grands modèles d'images l'utilisent, parce que beaucoup de fréquences permettent à un réseau profond de réagir vivement à de petits changements de t.

Les exécutions enregistrées entraînent chacune sur la spirale, 3 graines. Compare-les avec la règle du module 9 : un réglage en bat un autre quand son score moyen sur la forme est au moins 0.1 plus haut ET qu'il est plus haut sur chaque graine (3 sur 3).

Mots et symboles de cette leçon
sur la forme, couverture
le juge 2D : la part des échantillons près de la vraie forme, et la part de la forme qui a un échantillon près d'elle
À ton tour

Écris sine_time(t, T) qui renvoie les 16 nombres par pas (les sinus d'abord, puis les cosinus, fréquences np.exp(np.linspace(0, np.log(100), 8))). Puis écris beats(a, b) pour deux noms de réglages enregistrés, et remplis verdicts pour raw contre none, sine contre none et sine contre raw.

Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon

Cet exercice s'ouvre bientôt

Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.