Kvíz spojený s průvodcem · Střední úroveň
Wasserstein GAN kvíz
Kontroluje Wassersteinovu vzdálenost, skóre kritiků, Lipschitzovu kondici, ořezávání váhy, penalizaci gradientu a stabilitu tréninku 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.
- Jakou metriku vzdálenosti používá WGAN k porovnání skutečných a generovaných distribucí?
- Wassersteinova (zemědělská) vzdálenost
- Kullback-Leibler divergence
- Kosinusová podobnost
- Euklidovská vzdálenost pixelů
- 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
- 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
- Jak původní WGAN prosadil Lipschitzovo omezení?
- Přidáním výpadku
- Pouze pomocí dávkové normalizace
- Zmražením generátoru
- Oříznutím závaží kritika na malý rozsah
- 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
- Jaké vylepšení zavedl WGAN-GP oproti původnímu WGAN?
- Větší generátor
- Gradientová penalizace nahrazující ořezávání váhy
- Nová datová sada
- Odměny za učení
- 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
- 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