Тест, свързан с ръководство · Среден Ниво

Wasserstein GAN Тест

Проверява разстоянието на Wasserstein, оценките на критиците, състоянието на Lipschitz, изрязване на теглото, наказание за градиент и стабилност при тренировка на GAN.

Свързани ръководни пътекиВасерщайн ГАН
Въпрос 1 на 8

Какъв показател за разстояние използва WGAN за сравняване на реални и генерирани разпределения?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какъв показател за разстояние използва WGAN за сравняване на реални и генерирани разпределения?
    • Разстояние Васерщайн (на земеход).
    • Разминаване на Kullback-Leibler
    • Косинусово подобие
    • Евклидово пикселно разстояние
  2. В WGAN мрежата, която е била дискриминаторът, е преименувана на какво и защо?
    • „Съдия“, защото гласува с „да“ или „не“.
    • „Критик“, защото извежда непрекъснат резултат за реалност, а не вероятност
    • „Семплер“, защото генерира шум
    • „Филтър“, защото премахва лоши изображения
  3. Защо критикът на WGAN трябва да бъде принуден да бъде 1-Lipschitz?
    • За да се обучава по-бързо на GPU
    • За да намалите броя на параметрите
    • Тъй като дуалността на Канторович-Рубинщайн, използвана за изчисляване на разстоянието на Васерщайн, изисква ограничени градиенти
    • За да го принуди да извежда цели числа
  4. Как оригиналният WGAN наложи ограничението Lipschitz?
    • Чрез добавяне на отпадане
    • Само чрез използване на партидна нормализация
    • Чрез замразяване на генератора
    • Чрез ограничаване на теглата на критиката до малък диапазон
  5. Какъв проблем значително намалява WGAN в сравнение с ваниловите GAN?
    • Срив на режима и загуба на неинформативност
    • Пренастройване на тестовия комплект
    • Бавно зареждане на изображението
    • Прекомерно използване на паметта
  6. Какво подобрение представи WGAN-GP спрямо оригиналния WGAN?
    • По-голям генератор
    • Градиентно наказание, което замества изрязването на теглото
    • Нов набор от данни
    • Награди за засилване на обучението
  7. Why can Wasserstein loss provide a useful signal when real and generated distributions barely overlap?
    • It becomes a binary accuracy score
    • It no longer depends on the critic
    • The distance can vary smoothly as the distributions move, providing gradients before they overlap
    • It requires the generator to match every sample exactly
  8. What does the WGAN-GP gradient penalty encourage the critic’s gradient norm to do on sampled interpolations?
    • Become exactly zero everywhere
    • Grow without bound
    • Match the generator’s parameter count
    • Stay near one