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.

Související vodicí cestyVariační automatické kodéry
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.

  1. 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
  2. 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
  3. 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
  4. Objektivní funkce, kterou VAE maximalizují během tréninku, se nazývá:
    • Strop křížové entropie
    • Nepřátelská ztráta
    • Průměrný čtvercový okraj
    • Dolní hranice důkazů (ELBO)
  5. 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
  6. 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
  7. 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
  8. 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)