Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Generative Adversarial Networks

Ελέγξτε τους ρόλους του δημιουργού και του διαχωριστή, τις αρχικές εισόδους GAN, την ανατροφοδότηση αντιπάλου, την κατάρρευση τρόπου λειτουργίας, την ιστορική προέλευση, την ισορροπία και τη ρύθμιση.

Σχετικές διαδρομές οδηγώνΠαραγωγικά Δίκτυα Αντιμετώπισης
Ερώτηση 1 του 8

Ποια είναι τα δύο ανταγωνιστικά δίκτυα σε ένα GAN;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια είναι τα δύο ανταγωνιστικά δίκτυα σε ένα GAN;
    • Ένας κωδικοποιητής και ένας αποκωδικοποιητής
    • Αναγνώστης και συγγραφέας
    • Δύο πανομοιότυπα αντίγραφα που συμφωνούν πάντα
    • Μια γεννήτρια που φτιάχνει ψεύτικα και μια διακρίτρια που τα κρίνει
  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. Τι είναι η «κατάρρευση λειτουργίας» σε ένα GAN;
    • Το διακριτικό διαγράφει όλα τα δεδομένα
    • Η μνήμη του δικτύου εξαντλείται
    • Η γεννήτρια παράγει μόνο μερικές επαναλαμβανόμενες εξόδους αντί για ποικιλία
    • Η ανάλυση της εικόνας διπλασιάζεται αυτόματα
  5. Which researchers introduced the GAN framework in the 2014 paper?
    • Alan Turing alone in 1950
    • Ian Goodfellow και συνεργάτες
    • 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