Тест, свързан с ръководство · Среден Ниво

Тест за прогресивно нарастване на GAN

Тествайте грубо към фино GAN обучение, симетричен растеж, алфа постепенно навлизане, функции за партидна вариация, изравнени скорости на обучение и по-късно фиксирани архитектури.

Свързани ръководни пътекиПрогресивен растеж на GAN
Въпрос 1 на 8

Как един прогресивно пораснал GAN започва обучение?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Как един прогресивно пораснал GAN започва обучение?
    • Незабавно при пълна целева разделителна способност
    • При много ниска разделителна способност като 4x4 пиксела
    • Чрез предварително обучение само на дискриминатора
    • С текстова подкана
  2. Каква е основната полза от постепенното нарастване на резолюцията?
    • Това прави обучението по-стабилно и по-бързо от директното обучение с висока резолюция
    • Премахва нуждата от генератор
    • Това елиминира изискването за набор от данни
    • Гарантира нулеви артефакти
  3. Когато се добави нов слой с по-висока разделителна способност, как се въвежда?
    • Мигновено с пълна сила
    • Само в дискриминатора, никога в генератора
    • Плавно избледняване с тегло на смесване (алфа), което нараства от 0 до 1
    • Чрез преобучение на мрежата от нулата
  4. Защо се добавят слоеве както към генератора, така и към дискриминатора?
    • Защото генераторът сам не може да произведе цвят
    • За да намалите размера на набора от данни
    • Само за целите на визуализацията
    • За да поддържате двете мрежи симетрични и балансирани с увеличаване на разделителната способност
  5. Каква е целта на слоя със стандартно отклонение за минипартиди, въведен в ProGAN?
    • За увеличаване на крайното изображение
    • За компресиране на модела
    • За увеличаване на вариацията на изхода и обезкуражаване на свиването на режима
    • За етикетиране на изображенията за обучение
  6. Какво по-късно развитие намали необходимостта от явно прогресивно отглеждане?
    • Изобретението на дискриминатора
    • StyleGAN2, показващ фиксирана архитектура с пропускащи/остатъчни връзки, може да съответства на качеството
    • Превключване към изображения в нива на сивото
    • Изцяло премахване на латентния вектор
  7. At alpha equal to zero during a ProGAN generator fade-in, which path supplies the blended output?
    • Only the newly added block at full strength
    • An unrelated pretrained text encoder
    • A random photograph taken from the test set
    • The previous lower-resolution path after upsampling
  8. What is the original ProGAN equalized-learning-rate method intended to balance?
    • The effective scale of learning across layers through dynamic weight scaling
    • The number of captions assigned to each face image
    • The timestamp of every generated training sample
    • The count of output file formats across batches