“Entenda o Processo de Difusão: Vocabulário e Aplicações”

Publicado em por

Tema: Semana 8 – Difusão Vocabulário • forward process (processo direto) • timestep (passo de tempo) • ruído (informação aleatória) Processo direto É o processo de adicionar gradualmente ruído a uma imagem em timesteps definidos, até que ela se torne irreconhecível. A IA aprende com esse processo. Processo inverso É o processo de, a partir de puro ruído, prever e remover gradualmente o ruído em cada timestep, para reconstruir uma imagem coerente. Step scheduler É o componente que determina a “estratégia” de remoção de ruído durante o processo inverso, definindo o tamanho de cada passo de reconstrução. Aula 2 – Processo de ruído e variância Em um modelo de difusão, o que é o beta schedule(agendamento beta)? O plano que define a quantidade de ruído em cada passo. • Agendamento linear: pode ser muito agressivo no final, adicionando tanto ruído que a IA tem dificuldade de “lembrar” o que estava por baixo. • Agendamento cosseno: é considerado mais eficiente. Ao ser mais suave, ele cria uma transição mais gradual para o ruído total, o que facilita o trabalho de reconstrução da IA. É como um professor que aumenta a dificuldade de um exercício gradualmente, em vez de pular do muito fácil para o muito difícil. Aula 3 – Reconstrução passo a passo A UNet é a principal rede neural do modelo de difusão. Ela recebe uma imagem com ruído e tenta prever qual ruído deve ser removido. Seu funcionamento é dividido em três partes: • Lado esquerdo do “U”: analisa e comprime a imagem para entender suas formas principais. • Fundo do “U”: adiciona o contexto do prompt de texto (ex.: “um gato de chapéu”). • Lado direito do “U”: reconstrói a informação e cria um mapa do ruído que deve ser removido. A função da UNet é prever o ruído presente na imagem em cada etapa do processo. Denoiser O denoiser é o processo responsável por remover o ruído usando a previsão feita pela UNet. O ciclo funciona assim: 1. pega a imagem com ruído; 2. envia para a UNet; 3. a UNet prevê o ruído; 4. o denoiser remove parte desse ruído; 5. a imagem fica mais limpa; 6. o processo se repete várias vezes. Guidance Scale A guidance scale controla o quanto a IA deve seguir o prompt de texto. • Valor baixo (1–6):  mais criatividade;  maior liberdade artística;  menos fidelidade ao prompt. • Valor alto (7–15):  imagem mais fiel ao texto;  menos criatividade;  maior precisão. Conclusão • a UNet prevê o ruído; • o denoiser remove o ruído; • a guidance scale controla criatividade e fidelidade da geração da imagem. Semana 9 – Dataset e pré processamento Qual é a fórmula correta para escalonar valores de pixels de [0,255] para [-1,1]? (pixel / 255.0) * 2.0 – 1.0 Valores próximos de 0 tornam os cálculos mais equilibrados, o que geralmente: • acelera o treinamento; • reduz problemas numéricos; • melhora a estabilidade da aprendizagem.
Etapa/Série: 3º ano – Ensino Médio
Disciplina: Formação Técnica e Profissional
Questões: 10

“`html

Prova de Formação Técnica e Profissional – 3º Ano do Ensino Médio

Planejamentos de Aula BNCC Infantil e Fundamental

Tema: Difusão Vocabulário

Instruções:

  • Leia atentamente cada questão.

  • Marque a letra correspondente à alternativa correta.

  • Esta prova possui 10 questões de múltipla escolha.

Questões

  1. O que é o processo direto em um modelo de difusão?

    • A) A fase de remoção de ruído de uma imagem

    • B) A etapa de adicionar ruído a uma imagem em timesteps

    • C) O processo de escalonamento de pixels de imagens

    • D) A técnica de reconstrução de imagens a partir de ruído

  2. Qual é a função da UNet em um modelo de difusão?

    • A) Adicionar ruído a imagens

    • B) Compressão de dados sem perda

    • C) Prever o ruído que deve ser removido de uma imagem

    • D) Regularizar a taxa de aprendizado do modelo

  3. Em um modelo de difusão, o que é um timestep?

    • A) Um tipo de agendamento para o aprendizado

    • B) Um passo temporário no processo de adição ou remoção de ruído

    • C) Um resumo da estrutura de uma imagem

    • D) O valor total de ruído em uma imagem finalizada

  4. Qual a função do step scheduler em um modelo de difusão?

    • A) Definir o formato da imagem de entrada

    • B) Ajustar a quantidade de ruído a ser adicionado ou removido em cada passo

    • C) Criar uma sequência de timesteps

    • D) Controlar o tamanho do dataset utilizado

  5. O que caracteriza o agendamento cosseno (cosine schedule) no processo de difusão?

    • A) É um método que reduz agressivamente o ruído no final do processo

    • B) Proporciona uma transição mais suave para o total de ruído

    • C) Utiliza uma função de ativação não-linear

    • D) Aumenta a dificuldade de recuperação de informação ao longo do processo

  6. Qual é o papel do denoiser em um modelo de difusão?

    • A) Adicionar ruído às imagens de treino

    • B) Prever a quantidade total de ruído em uma imagem final

    • C) Remover ruído de uma imagem com base na previsão da UNet

    • D) Reduzir o número de timesteps utilizados no processo

  7. O que a guidance scale controla durante a geração de imagens?

    • A) A quantidade de pixels na imagem

    • B) A velocidade de processamento do modelo

    • C) A liberdade criativa da IA em relação ao prompt textual

    • D) O número de timesteps definidos no processo de difusão

  8. Qual é a fórmula correta para escalonar valores de pixels de [0,255] para [-1,1]?

    • A) (pixel / 255.0) + 1.0

    • B) (pixel / 255.0) * 2.0

    • C) (pixel / 255.0) * 2.0 – 1.0

    • D) (pixel * 255.0) / 2.0

  9. Qual a vantagem de usar valores próximos de 0 durante o treinamento?

    • A) Aumenta a complexidade do modelo

    • B) Acelera o treinamento e melhora a estabilidade da aprendizagem

    • C) Permite a criação de imagens mais artísticas

    • D) Reduz o número de timesteps utilizados no processo

  10. O que representa o beta schedule em um modelo de difusão?

    • A) O controle da quantidade de timesteps que devem ser utilizados

    • B) O plano que define a quantidade de ruído em cada passo

    • C) A estrutura da rede neural utilizada no processo

    • D) A eficácia do denoiser na remoção de ruído

Gabarito

  1. B – O processo direto é responsável por adicionar ruído a uma imagem em timesteps definidos até que ela se torne irreconhecível.

  2. C – A UNet é a rede neural que analisa uma imagem com ruído e tenta prever qual ruído deve ser removido.

  3. B – Um timestep refere-se a um passo no processo de adição ou remoção de ruído.

  4. B – O step scheduler determina a estratégia de remoção de ruído durante o processo inverso, controlando o tamanho de cada passo.

  5. B – O agendamento cosseno é mais eficiente por permitir uma transição mais suave para o ruído total.

  6. C – O denoiser utiliza a previsão da UNet para remover o ruído da imagem.

  7. C – A guidance scale controla a liberdade criativa em relação ao prompt textual. Valores baixos permitem mais criatividade, enquanto altos aumentam a fidelidade.

  8. C – A fórmula correta para escalonar valores de pixels de [0,255] para [-1,1] é (pixel / 255.0) * 2.0 – 1.0.

  9. B – Usar valores próximos de 0 melhora a estabilidade da aprendizagem e acelera o treinamento.

  10. B – O beta schedule define a quantidade de ruído em cada passo do processo de difusão.

“`

Esta prova foi elaborada com questões que variam em grau de complexidade e abrangência, cobrindo conceitos fundamentais sobre o processo de difusão. As perguntas incentivam a compreensão e reflexão sobre os termos e processos discutidos nas aulas.


Botões de Compartilhamento Social