पाठ्यक्रम 246 में से पाठ 187 · Module 17: शोर अंदर, तस्वीरें बाहर (diffusion)
Module 17: शोर अंदर, तस्वीरें बाहर (diffusion)

model को बताना कि यह कौन-सा step है

यह क्यों मायने रखता है उसी शोर भरे बिंदु को step 5 पर एक छोटा सुधार और step 90 पर एक बड़ा चाहिए। जिस network को step नहीं बताया गया उसे अकेले बिंदु से उसका अनुमान लगाना होता है। आप इसे कैसे बताते हैं यह एक design चुनाव है, और मशहूर चुनाव हमेशा सबसे अच्छा नहीं।

तीन तरीके (difflab.time_input):

  • none: network बस बिंदु देखता है।
  • raw: एक अतिरिक्त संख्या, t / T।
  • sine: 1 से 100 तक की frequencies पर t / T के 8 sines और 8 cosines, वह embedding जो transformers स्थितियों के लिए इस्तेमाल करते हैं। बड़े image models इसे इस्तेमाल करते हैं, क्योंकि कई frequencies एक गहरे network को t में छोटे बदलावों पर तीखी प्रतिक्रिया देने देती हैं।

दर्ज runs हर एक को सर्पिल पर train करते हैं, 3 seeds। Module 9 के नियम से उनकी तुलना करें: एक setting दूसरी को तब हराती है जब उसका औसत on-shape अंक कम से कम 0.1 ऊँचा हो और वह हर seed पर ऊँचा हो (3 में से 3)।

इस पाठ के शब्द और चिह्न
on shape, coverage
2D जज: असली आकार के पास के samples का हिस्सा, और आकार का वह हिस्सा जिसके पास एक sample है
आपकी बारी

हर step के 16 संख्याएँ लौटाने वाला sine_time(t, T) लिखें (पहले sines, फिर cosines, frequencies np.exp(np.linspace(0, np.log(100), 8)))। फिर दो दर्ज setting नामों के लिए beats(a, b) लिखें, और raw बनाम none, sine बनाम none और sine बनाम raw के लिए verdicts भरें।

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।