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.

Související vodicí cestyPostupný růst GANů
Otázka 1 z 8

Jak začne progresivně rostoucí GAN trénovat?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jak začne progresivně rostoucí GAN trénovat?
    • Okamžitě v plném cílovém rozlišení
    • Při velmi nízkém rozlišení, například 4x4 pixely
    • Předškolením pouze diskriminátora
    • S textovou výzvou
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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