कम steps (DDIM)
यह क्यों मायने रखता है हर तस्वीर पर 100 network calls धीमे हैं, और असली models 1000 इस्तेमाल करते हैं। DDIM (Song, Meng और Ermon, 2021) steps छोड़ता है: यह उसी प्रशिक्षित network से, बिना नए शोर के, x_t से सीधे बहुत पहले के step पर छलाँग लगाता है। आप कितने कम steps से काम चला सकते हैं?
कोर्स का अंक model एक बार train किया गया (difflab.recorded_digit_model())। difflab.sample_digits(model, labels, w=2.0, steps=k) k DDIM steps के साथ हर label की एक तस्वीर बनाता है (steps=None सारे 100 DDPM steps चलाता है)। Module 15 का जज उन्हें अंक देता है: सबसे पास के असली अंक से निकटता (असली अंक 1.04)।
Call the Curve
मापने से पहले, 2, 5, 10, 20 और 100 steps पर निकटता का अनुमान लगाएँ। Papers और blog posts अक्सर कहते हैं कि 50 steps से नीचे गुणवत्ता दिखने लायक गिरती है। इसे इस model पर मापें।
इस पाठ के शब्द और चिह्न
- x0, x_t
- साफ़ data, और t steps के शोर के बाद वही data
- eps
- जोड़ा गया घंटी-वक्र शोर; network इसका अनुमान लगाना सीखता है
- DDPM
- हर step से पीछे जाकर sampling, हर बार नए शोर के साथ
- DDIM
- कुछ steps के बीच छलाँग लगाकर sampling, बिना नए शोर के
my_guess (पाँच निकटता संख्याएँ) भरें, फिर measured को हर step गिनती पर असली निकटता से भरें, और fewest_good को सबसे कम steps पर सेट करें जिनकी निकटता 100-step नतीजे के 0.05 के भीतर हो।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।