Conteúdo do curso Lição 187 de 246 · Módulo 17: Ruído entra, imagens saem (difusão)
Módulo 17: Ruído entra, imagens saem (difusão)

Dizendo ao modelo em qual passo ele está

Por que isso importa O mesmo ponto ruidoso precisa de uma pequena correção no passo 5 e de uma grande no passo 90. Uma rede que não é informada sobre o passo precisa adivinhar apenas pelo ponto. Como você informa isso é uma escolha de design, e a escolha famosa nem sempre é a melhor.

Três maneiras (difflab.time_input):

  • none: a rede vê apenas o ponto.
  • raw: um número extra, t / T.
  • sine: 8 sines e 8 cossenos de t / T em frequências de 1 a 100, que os embedding transformers usam para posições. Modelos de imagem grandes usam isso, porque muitas frequências permitem que uma rede profunda reaja nitidamente a pequenas mudanças em t.

As execuções gravadas treinam cada uma na espiral, 3 seeds. Compare elas com a regra do Módulo 9: uma configuração vence outra quando sua média de score na forma é pelo menos 0.1 maior E é maior em cada seed (3 de 3).

Palavras e símbolos nesta lição
on shape, coverage
o juiz 2D: proporção de amostras perto da forma real, e proporção da forma com uma amostra perto dela
Sua vez

Escreva sine_time(t, T) retornando os 16 números por passo (senos primeiro, depois cossenos, frequências np.exp(np.linspace(0, np.log(100), 8))). Depois escreva beats(a, b) para dois nomes de configurações registrados, e preencha verdicts para raw vs none, sine vs none e sine vs raw.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.