Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zu generativen kontradiktorischen Netzwerken

Überprüfen Sie die Rollen des Generators und Diskriminators, die ursprünglichen GAN-Eingaben, das gegnerische Feedback, den Zusammenbruch des Modus, die historischen Ursprünge, das Gleichgewicht und die Konditionierung.

Verwandte FührungspfadeGenerative gegnerische Netzwerke
Frage 1 von 8

Was sind die beiden konkurrierenden Netzwerke in einem GAN?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was sind die beiden konkurrierenden Netzwerke in einem GAN?
    • Ein Encoder und ein Decoder
    • Ein Leser und ein Schriftsteller
    • Zwei identische Kopien, die immer übereinstimmen
    • Ein Generator, der Fälschungen herstellt, und ein Diskriminator, der sie beurteilt
  2. In the original unconditional GAN formulation, what input does the generator transform into a sample?
    • A guaranteed copy of a finished real image
    • Sampled latent noise
    • The discriminator's parameter file
    • A fixed human-written answer key
  3. What adversarial learning signal can reach a GAN generator through its discriminator?
    • Gradients of the generator objective with respect to its parameters
    • A rule that every generated image is correct
    • A prohibition against all conditional image inputs
    • A copy of every discriminator weight as the output image
  4. Was ist „Moduskollaps“ in einem GAN?
    • Der Diskriminator löscht alle Daten
    • Das Netzwerk verfügt nicht mehr über genügend Speicher
    • Der Generator erzeugt nur wenige sich wiederholende Ausgaben statt Abwechslung
    • Die Bildauflösung verdoppelt sich automatisch
  5. Which researchers introduced the GAN framework in the 2014 paper?
    • Alan Turing alone in 1950
    • Ian Goodfellow und Kollegen
    • Geoffrey Hinton alone in 2006
    • Yann LeCun alone in 1998
  6. How can a conventional feed-forward GAN generator produce one sample after training?
    • By requiring exactly a thousand discriminator updates at inference
    • By retrieving an unchanged target image in every case
    • Without evaluating any learned computation
    • With one forward evaluation of the generator
  7. At the ideal original GAN equilibrium where generated and real distributions match, what probability does the optimal discriminator assign to an example being real?
    • Zero for every example
    • One for every example
    • One-half
    • A probability greater than one
  8. In the conditional GAN formulation, where can a class label or other condition be supplied?
    • To both the generator and the discriminator
    • Only to an unrelated output filename
    • To neither network by definition
    • Only after all training and generation have finished