標本を導く(分類器なしのガイダンス)
なぜ大切か 「7 を描いて」が効くのは、ひとつの計算の行のおかげです。どの文章から画像へのモデルも、絵をプロンプトに従わせるのにそれを使い、同じ行が、それを上げすぎると絵が悪くなる理由を説明します。
数字のモデルはラベルとともに訓練され、15% の時間はラベルを隠して訓練されました(「ラベルなし」のトークン、difflab.NULL)。なのでひとつのネットワークが両方のやり方でノイズを予測できます。分類器なしのガイダンス(Ho と Salimans、2022)はそれらを混ぜます:
eps = (1 + w) eps_with_label - w eps_without_label
差 eps_with_label - eps_without_label は「このラベルにもっと似る」ほうを指します。w = 0 は素の条件付きのサンプリングで、大きな w ほど強く押します。場面を見てください:同じノイズを w = 0、1、2、4 で描いたもの。
このレッスンの言葉と記号
- eps
- 足された釣鐘曲線のノイズ。ネットワークはそれを予測することを学ぶ
- DDIM
- 新しいノイズなしで、いくつかの歩みの間を跳んでサンプリングすること
- 分類器なしのガイダンス
- (1 + w) x ラベルありで予測したノイズ - w x ラベルなしで予測したノイズ
guided(model, x, t, labels, w) を書いてください。それから table を埋めます:w が 0、1、2、4 について、求めた数字として読まれる 500 の標本(20 の DDIM の歩み。前のレッスンが 100 の DDIM の歩みと同じくらい良いと示した)の割合と、その近さ。best_w を、少なくとも 0.99 が求めたとおりに届くもののうちで最も良い(最も低い)近さの w に設定してください。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。