Mit dem Guide verknüpftes Quiz · Mittel Ebene

Wasserstein GAN-Quiz

Überprüft die Wasserstein-Distanz, Kritikerbewertungen, die Lipschitz-Bedingung, Gewichtsbegrenzung, Gradientenstrafe und GAN-Trainingsstabilität.

Verwandte FührungspfadeWasserstein GAN
Frage 1 von 8

Welche Distanzmetrik verwendet WGAN, um reale und generierte Verteilungen zu vergleichen?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Welche Distanzmetrik verwendet WGAN, um reale und generierte Verteilungen zu vergleichen?
    • Entfernung von Wasserstein (Erdbeweger).
    • Kullback-Leibler-Divergenz
    • Kosinusähnlichkeit
    • Euklidischer Pixelabstand
  2. In WGAN wird das Netzwerk, das als Diskriminator diente, in „Was“ umbenannt und warum?
    • Ein „Richter“, weil er mit Ja oder Nein stimmt
    • Ein „Kritiker“, weil er einen kontinuierlichen Realitätswert statt einer Wahrscheinlichkeit ausgibt
    • Ein „Sampler“, weil er Rauschen erzeugt
    • Ein „Filter“, weil er fehlerhafte Bilder entfernt
  3. Warum muss der WGAN-Kritiker auf 1-Lipschitz beschränkt werden?
    • Damit das Training auf GPUs schneller wird
    • Um die Anzahl der Parameter zu reduzieren
    • Weil die zur Berechnung der Wasserstein-Distanz verwendete Kantorovich-Rubinstein-Dualität begrenzte Gradienten erfordert
    • Um die Ausgabe von Ganzzahlen zu erzwingen
  4. Wie hat das ursprüngliche WGAN die Lipschitz-Beschränkung durchgesetzt?
    • Durch Hinzufügen von Dropout
    • Nur durch Verwendung der Batch-Normalisierung
    • Durch Einfrieren des Generators
    • Indem man die Gewichtung des Kritikers auf einen kleinen Bereich beschränkt
  5. Welches Problem reduziert WGAN im Vergleich zu Vanilla-GANs deutlich?
    • Moduszusammenbruch und nicht informativer Verlust
    • Überanpassung an den Testsatz
    • Langsames Laden von Bildern
    • Übermäßiger Speicherverbrauch
  6. Welche Verbesserung hat WGAN-GP gegenüber dem ursprünglichen WGAN eingeführt?
    • Ein größerer Generator
    • Eine Gradientenstrafe ersetzt das Gewichts-Clipping
    • Ein neuer Datensatz
    • Belohnungen für das verstärkende Lernen
  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