Тест, свързан с ръководство · лесно Ниво
Тест за условни GAN
Проверява как условните входове насочват и двете GAN мрежи, как дискриминаторите оценяват съвпадащите двойки и как може да се инжектира кондициониране.
Въпрос 1 на 8
Каква е основната разлика между условен GAN и стандартен GAN?
Визуализирайте всеки въпрос8 въпроси
Отговорите и обясненията се появяват, докато отговаряте на теста.
- Каква е основната разлика между условен GAN и стандартен GAN?
- Той подава допълнителна информация като етикет на клас в двете мрежи, за да контролира изхода
- Използва два генератора
- Премахва дискриминатора
- Работи само върху текст, не и върху изображения
- В cGAN, обучен на етикетирани цифри, какво можете да направите, което обикновен GAN не може?
- Работете без никакъв шум
- Поискайте конкретна цифра като „7“
- Пропуснете изцяло дискриминатора
- Генерирайте само черно-бял шум
- Какво трябва да провери дискриминаторът на cGAN, освен дали изображението изглежда реално?
- Файловият формат на изображението
- Разделителната способност в мегапиксели
- Дали изображението съответства на дадения етикет
- Степента на обучение при обучение
- Кой е често срещаният начин за подаване на кондициониращ сигнал към генератора?
- Изтриване на вектора на шума
- Обучение без никакви етикети
- Използване на отделен физически сензор
- Свързване на етикета към входа за шум
- Условните GAN положиха основата за коя по-късна възможност?
- Генериране на текст към изображение и изображение към изображение
- По-бързи процесори
- Филтриране на нежелана поща
- Индексиране на бази данни
- В съвременните дифузионни модели идеята на cGAN за кондициониране често се появява като какъв механизъм?
- Изрязване на произволно тегло
- Кръстосано внимание върху текстова подкана
- Само ръчно пикселно рисуване
- Деактивиране на шумовия график
- Why must a conditional discriminator see both the generated image and its conditioning label?
- It uses the label to choose the learning-rate schedule
- It converts the label into a random noise seed only
- It needs to judge whether the image is realistic and whether it matches the requested condition
- It prevents the generator from receiving noise
- Besides concatenating a class label to the noise vector, which conditioning method is described in the guide?
- A spectral-radius constraint
- An inverse Hessian update
- A sequence-level BLEU reward
- A projection layer that scores compatibility between label and image features