Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Wasserstein GAN

Ελέγχει την απόσταση Wasserstein, τις βαθμολογίες των κριτικών, την κατάσταση Lipschitz, το κόψιμο του βάρους, την κλίση πέναλτι και τη σταθερότητα της προπόνησης GAN.

Σχετικές διαδρομές οδηγώνWasserstein GAN
Ερώτηση 1 του 8

Ποια μέτρηση απόστασης χρησιμοποιεί το WGAN για τη σύγκριση πραγματικών και παραγόμενων κατανομών;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια μέτρηση απόστασης χρησιμοποιεί το WGAN για τη σύγκριση πραγματικών και παραγόμενων κατανομών;
    • Wasserstein (γαιοκίνητος) απόσταση
    • Απόκλιση Kullback-Leibler
    • Ομοιότητα συνημιτονίου
    • Ευκλείδεια απόσταση εικονοστοιχείων
  2. Στο WGAN, το δίκτυο που ήταν ο διαχωριστής μετονομάζεται σε τι και γιατί;
    • Ένας «κριτής» επειδή ψηφίζει ναι ή όχι
    • Ένας «κριτικός» επειδή δίνει μια συνεχή βαθμολογία πραγματικότητας και όχι μια πιθανότητα
    • Ένας «δειγματολήπτης» επειδή παράγει θόρυβο
    • Ένα «φίλτρο» γιατί αφαιρεί κακές εικόνες
  3. Γιατί ο κριτικός του WGAN πρέπει να περιοριστεί να είναι 1-Lipschitz;
    • Για να εκπαιδεύεται πιο γρήγορα σε GPU
    • Για να μειώσετε τον αριθμό των παραμέτρων
    • Επειδή η δυαδικότητα Kantorovich-Rubinstein που χρησιμοποιείται για τον υπολογισμό της απόστασης Wasserstein απαιτεί οριοθετημένες διαβαθμίσεις
    • Για να το αναγκάσουμε να βγάζει ακέραιους αριθμούς
  4. Πώς το αρχικό WGAN επέβαλε τον περιορισμό Lipschitz;
    • Με την προσθήκη εγκατάλειψης
    • Χρησιμοποιώντας μόνο κανονικοποίηση παρτίδας
    • Με την κατάψυξη της γεννήτριας
    • Περικόπτοντας τα βάρη του κριτικού σε ένα μικρό εύρος
  5. Ποιο πρόβλημα μειώνει σημαντικά το WGAN σε σύγκριση με τα GAN βανίλιας;
    • Κατάρρευση λειτουργίας και απώλεια πληροφοριών
    • Υπερπροσαρμογή στο σετ δοκιμής
    • Αργή φόρτωση εικόνας
    • Υπερβολική χρήση μνήμης
  6. Ποια βελτίωση εισήγαγε το WGAN-GP σε σχέση με το αρχικό WGAN;
    • Μια μεγαλύτερη γεννήτρια
    • Μια κλίση ποινή που αντικαθιστά το κούρεμα βάρους
    • Ένα νέο σύνολο δεδομένων
    • Ανταμοιβές ενίσχυσης μάθησης
  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