গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

Pix2Pix ইমেজ-টু-ইমেজ অনুবাদ কুইজ

Pix2Pix-এর পেয়ারড-ডেটা প্রয়োজনীয়তা, U-Net জেনারেটর, PatchGAN বৈষম্যকারী এবং প্রতিপক্ষ এবং L1 ক্ষতির পরিপূরক ভূমিকা পরীক্ষা করে।

সম্পর্কিত গাইড পাথPix2pix ইমেজ টু ইমেজ ট্রান্সলেশন
প্রশ্ন 1 এর 8

Pix2Pix-এর জন্য কোন ধরনের প্রশিক্ষণের ডেটা প্রয়োজন?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. Pix2Pix-এর জন্য কোন ধরনের প্রশিক্ষণের ডেটা প্রয়োজন?
    • পেয়ার করা ইনপুট-আউটপুট ছবির উদাহরণ
    • কোন তথ্য নেই
    • শুধুমাত্র টেক্সট ক্যাপশন
    • অডিও রেকর্ডিং
  2. Pix2Pix কোন জেনারেটর আর্কিটেকচার ব্যবহার করে?
    • একটি সাধারণ সম্পূর্ণভাবে সংযুক্ত নেটওয়ার্ক
    • সংযোগ বাদ দিয়ে একটি U-নেট
    • একটি পুনরাবৃত্ত নেটওয়ার্ক
    • সিদ্ধান্ত গাছ
  3. Pix2Pix-এ PatchGAN বৈষম্যকারী কি মূল্যায়ন করে?
    • একটি বিশ্বব্যাপী স্কোর হিসাবে সমগ্র ইমেজ
    • ছবির ফাইলের আকার
    • ছোট স্থানীয় ইমেজ প্যাচ বাস্তবতা
    • প্রশিক্ষণের সময়
  4. কেন Pix2Pix প্রতিপক্ষের ক্ষতির পাশাপাশি একটি L1 ক্ষতি যোগ করে?
    • উদ্দেশ্যমূলক প্রশিক্ষণ ধীর করা
    • বৈষম্য দূর করতে
    • এলোমেলো শব্দ উৎপন্ন করতে
    • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
  5. কেন ইউ-নেট স্কিপ সংযোগগুলি অনুবাদ কাজের জন্য বিশেষভাবে সহায়ক?
    • তারা সরাসরি নেটওয়ার্ক জুড়ে প্রান্তের মতো ভাগ করা কাঠামো পাস করে
    • তারা অপ্রয়োজনীয় স্তরগুলি মুছে ফেলে
    • তারা ছবিকে টেক্সটে রূপান্তর করে
    • তারা ডেটাসেটের আকার হ্রাস করে
  6. পেয়ার না করা ছবি সংগ্রহ থেকে শিখতে কোন মডেল Pix2Pix বর্ধিত করেছে?
    • ResNet
    • সাইকেলগান
    • BERT
    • Word2Vec
  7. Why can a PatchGAN discriminator encourage sharper local image texture?
    • It predicts the input labels directly
    • It replaces the generator’s U-Net
    • It judges realism in small image patches rather than only scoring the whole image
    • It computes only global color histograms
  8. In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
    • The learning-rate warmup
    • The GAN’s random seed
    • The PatchGAN receptive-field count
    • The L1 pixel-difference loss