Kvíz spojený s průvodcem · Střední úroveň

Wasserstein GAN kvíz

Kontroluje Wassersteinovu vzdálenost, skóre kritiků, Lipschitzovu kondici, ořezávání váhy, penalizaci gradientu a stabilitu tréninku GAN.

Související vodicí cestyWasserstein GAN
Otázka 1 z 8

Jakou metriku vzdálenosti používá WGAN k porovnání skutečných a generovaných distribucí?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jakou metriku vzdálenosti používá WGAN k porovnání skutečných a generovaných distribucí?
    • Wassersteinova (zemědělská) vzdálenost
    • Kullback-Leibler divergence
    • Kosinusová podobnost
    • Euklidovská vzdálenost pixelů
  2. Ve WGAN je síť, která byla diskriminátorem, přejmenována na co a proč?
    • „Soudce“, protože hlasuje ano nebo ne
    • „Kritický“, protože poskytuje kontinuální skóre reálnosti spíše než pravděpodobnost
    • „Sampler“, protože generuje hluk
    • „Filtr“, protože odstraňuje špatné obrázky
  3. Proč musí být kritik WGAN nucen být 1-Lipschitz?
    • Aby to trénovalo rychleji na GPU
    • Chcete-li snížit počet parametrů
    • Protože Kantorovich-Rubinsteinova dualita použitá k výpočtu Wassersteinovy vzdálenosti vyžaduje ohraničené gradienty
    • Chcete-li jej vynutit, aby vydával celá čísla
  4. Jak původní WGAN prosadil Lipschitzovo omezení?
    • Přidáním výpadku
    • Pouze pomocí dávkové normalizace
    • Zmražením generátoru
    • Oříznutím závaží kritika na malý rozsah
  5. Jaký problém WGAN výrazně snižuje ve srovnání s vanilla GAN?
    • Kolaps režimu a neinformativní ztráta
    • Přepastování na testovací sadu
    • Pomalé načítání obrázku
    • Nadměrné využití paměti
  6. Jaké vylepšení zavedl WGAN-GP oproti původnímu WGAN?
    • Větší generátor
    • Gradientová penalizace nahrazující ořezávání váhy
    • Nová datová sada
    • Odměny za učení
  7. Why can Wasserstein loss provide a useful signal when real and generated distributions barely overlap?
    • It becomes a binary accuracy score
    • It no longer depends on the critic
    • The distance can vary smoothly as the distributions move, providing gradients before they overlap
    • It requires the generator to match every sample exactly
  8. What does the WGAN-GP gradient penalty encourage the critic’s gradient norm to do on sampled interpolations?
    • Become exactly zero everywhere
    • Grow without bound
    • Match the generator’s parameter count
    • Stay near one