1 策略1 "各个击破"------autoregressive model
"各个击破"------一个一个生成出来
2 策略2 ： "一次到位"------non-autoregressve model
一步到位，全部生成出来
2.1 non-autoregressive model 如何确定长度？
- 两种策略
- 策略1：始终生成固定长度（比如100），如果出现end，那么end后面的部分直接扔掉
- 策略2：首先输出一个数字n，表示之后我们要输出多长，然后输出n长度的句子
3 二者的对比
3.1 生成速度
- 一般文字相关的任务考虑"各个击破"，而影像相关的任务考虑"一次到位"
- 因为影像每一帧都有很多的像素，如果"各个击破"，那么效率太慢了
3.2 生成品质
- "各个击破"的话是先根据概率生成"老"，然后将"老"放入输入，生成下一个字的概率分布，再sample，这样得到"老师"的概率会很大
- "一次到位"的话同时生成所有字的概率，同时sample，得到有问题的词组的概率会很大
4 二者的结合
4.1 语音合成
4.2 类diffusion model的思路
- 好多次"一次到位"联合使用
- 每经过一次"一次到位"，图像就会更清楚一点
- ------>图像会越来越清楚