Kvíz spojený s průvodcem · Střední úroveň
Variační autokodérový kvíz
Zkontrolujte distribuce VAE, reparametrizaci, regularizaci KL, trénink ELBO, odběr vzorků a použití latentní difúze. Zkontrolujte důkazy a rozsah.
Otázka 1 z 8
Co dělá kodér ve výstupu VAE pro daný vstup?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co dělá kodér ve výstupu VAE pro daný vstup?
- Parametry rozdělení pravděpodobnosti, jako je průměr a rozptyl
- Jediný pevný bod v latentním prostoru
- Štítek třídy
- Rekonstruovaná kopie vstupu
- Jaký je účel reparametrizačního triku?
- Aby byl dekodér větší
- Aby gradienty procházely krokem náhodného vzorkování
- Chcete-li odstranit potřebu dekodéru
- Pro další stlačení latentního prostoru
- Co ve standardní gaussovské formulaci VAE podporuje termín KL?
- The decoder to predict future input tokens
- The encoder to remove all randomness
- The approximate posterior to stay close to the chosen prior, commonly a standard normal
- Every latent variable to have the same observed value
- Objektivní funkce, kterou VAE maximalizují během tréninku, se nazývá:
- Strop křížové entropie
- Nepřátelská ztráta
- Průměrný čtvercový okraj
- Dolní hranice důkazů (ELBO)
- Co v Gaussově VAE umožňuje generování nového vzorku?
- Sample a latent from the prior and decode it with the learned decoder
- Copy a training image directly without a model
- Run the encoder backward with no latent sampling
- Choose a random class label without decoding
- Jakou roli hraje VAE v modelu latentní difúze, jako je Stable Diffusion?
- Označuje tréninkové obrázky
- Komprimuje obrazy do latentního prostoru, kde probíhá difúze, a poté dekóduje zpět na pixely
- Nahrazuje textový kodér
- Plánuje hladiny hluku
- In variational inference, what does the ELBO provide for the marginal log likelihood log p(x)?
- An exact value of log p(x) for every model
- A guarantee that each generated sample is realistic
- A tractable lower bound that can be maximized instead of directly maximizing log p(x)
- A posterior distribution that requires no inference model
- What distribution does a VAE decoder model given a latent vector?
- The encoder’s approximate posterior q(z|x)
- The training set’s class-frequency histogram only
- The optimizer’s learning-rate schedule
- The likelihood of an observation conditioned on that latent, p(x|z)