Cuestionario vinculado a una guía · Medio Nivel

Prueba de redes generativas adversarias

Revise los roles de generador y discriminador, entradas originales de GAN, retroalimentación adversaria, colapso de modo, orígenes históricos, equilibrio y condicionamiento.

Rutas de guía relacionadasRedes generativas de confrontación
Pregunta 1 de 8

¿Cuáles son las dos redes que compiten en una GAN?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuáles son las dos redes que compiten en una GAN?
    • Un codificador y un decodificador.
    • Un lector y un escritor
    • Dos copias idénticas que siempre concuerdan
    • Un generador que fabrica falsificaciones y un discriminador que las juzga
  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. ¿Qué es el 'colapso de modo' en una GAN?
    • El discriminador borra todos los datos.
    • La red se queda sin memoria.
    • El generador produce sólo unas pocas salidas repetitivas en lugar de variedad.
    • La resolución de la imagen se duplica automáticamente.
  5. Which researchers introduced the GAN framework in the 2014 paper?
    • Alan Turing alone in 1950
    • Ian Goodfellow y colegas
    • 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