Kvíz spojený s průvodcem · Snadno úroveň
Podmíněný kvíz GANs
Kontroluje, jak podmíněné vstupy vedou obě sítě GAN, jak diskriminátory posuzují spárované páry a jak lze vložit úpravu.
Otázka 1 z 8
Jaký je hlavní rozdíl mezi podmíněným GAN a standardním GAN?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký je hlavní rozdíl mezi podmíněným GAN a standardním GAN?
- Do obou sítí dodává dodatečné informace jako štítek třídy pro řízení výstupu
- Používá dva generátory
- Odstraňuje diskriminátor
- Funguje pouze s textem, nikoli s obrázky
- Co můžete udělat v cGAN trénovaném na označených číslicích, co prostý GAN nedokáže?
- Běží bez jakéhokoli vstupu hluku
- Vyžádejte si konkrétní číslici, například „7“
- Úplně přeskočte diskriminátor
- Vytvářejte pouze černobílý šum
- Co musí diskriminátor cGAN zkontrolovat kromě toho, zda obrázek vypadá jako skutečný?
- Formát souboru obrázku
- Rozlišení v megapixelech
- Zda obrázek odpovídá danému štítku
- Míra učení tréninku
- Jaký je běžný způsob dodávání signálu pro úpravu do generátoru?
- Vymazání vektoru šumu
- Školení bez jakýchkoli štítků
- Použití samostatného fyzického senzoru
- Zřetězení štítku se vstupem šumu
- Podmíněné GAN položily základy, pro kterou pozdější schopnost?
- Generování textu na obrázek a obrázku na obrázek
- Rychlejší CPU
- Filtrování nevyžádané pošty
- Indexování databáze
- Jaký mechanismus se v moderních difúzních modelech často objevuje v cGAN myšlence podmiňování?
- Náhodné stříhání váhy
- Křížová pozornost na textovou výzvu
- Pouze ruční malování pixelů
- Deaktivace plánu hluku
- 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