Kvíz spojený s průvodcem · Střední úroveň
Kvíz o progresivním růstu GAN
Otestujte trénování GAN od hrubého k jemnému, symetrický růst, alpha fade-in, funkce dávkových variací, ekvalizované rychlosti učení a později pevné architektury.
Otázka 1 z 8
Jak začne progresivně rostoucí GAN trénovat?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jak začne progresivně rostoucí GAN trénovat?
- Okamžitě v plném cílovém rozlišení
- Při velmi nízkém rozlišení, například 4x4 pixely
- Předškolením pouze diskriminátora
- S textovou výzvou
- Jaká je hlavní výhoda postupného růstu rozlišení?
- Díky tomu je trénink stabilnější a rychlejší než trénink přímo ve vysokém rozlišení
- Odstraňuje potřebu generátoru
- Eliminuje požadavek na datovou sadu
- Zaručuje nulové artefakty
- Když je přidána nová vrstva s vyšším rozlišením, jak se zavádí?
- Okamžitě v plné síle
- Pouze v diskriminátoru, nikdy v generátoru
- Hladce se rozplynulo s mixovací hmotností (alfa), která se mění z 0 na 1
- Rekvalifikací sítě od nuly
- Proč se do generátoru i diskriminátoru přidávají vrstvy?
- Protože generátor sám o sobě nedokáže vytvořit barvu
- Chcete-li snížit velikost datové sady
- Pouze pro účely vizualizace
- Aby obě sítě zůstaly symetrické a vyvážené s rostoucím rozlišením
- Jaký je účel minidávkové standardní odchylky zavedené v ProGAN?
- Chcete-li zvětšit konečný obrázek
- Ke kompresi modelu
- Chcete-li zvýšit variaci výstupu a zabránit kolapsu režimu
- K označení tréninkových obrázků
- Jaký pozdější vývoj snížil potřebu explicitního progresivního pěstování?
- Vynález diskriminátoru
- StyleGAN2 zobrazující pevnou architekturu s přeskočením/zbytkovými připojeními by mohl odpovídat kvalitě
- Přepínání na obrázky ve stupních šedi
- Úplné odstranění latentního vektoru
- 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
- 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