Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre el crecimiento progresivo de las GAN

Pruebe el entrenamiento GAN de grueso a fino, el crecimiento simétrico, la aparición gradual alfa, las características de variación por lotes, las tasas de aprendizaje ecualizadas y las arquitecturas fijas posteriores.

Rutas de guía relacionadasCrecimiento progresivo de las GAN
Pregunta 1 de 8

¿Cómo comienza a entrenar una GAN que ha crecido progresivamente?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Cómo comienza a entrenar una GAN que ha crecido progresivamente?
    • A la resolución objetivo completa inmediatamente
    • A una resolución muy baja, como 4x4 píxeles.
    • Preentrenando sólo al discriminador.
    • Con un mensaje de texto
  2. ¿Cuál es el principal beneficio de aumentar la resolución gradualmente?
    • Hace que el entrenamiento sea más estable y rápido que el entrenamiento directo en alta resolución.
    • Elimina la necesidad de un generador.
    • Elimina el requisito del conjunto de datos.
    • Garantiza cero artefactos.
  3. Cuando se agrega una nueva capa de mayor resolución, ¿cómo se introduce?
    • Al instante con toda su fuerza
    • Sólo en el discriminador, nunca en el generador.
    • Se desvaneció suavemente con un peso de mezcla (alfa) que aumenta de 0 a 1.
    • Reentrenando la red desde cero
  4. ¿Por qué se agregan capas tanto al generador como al discriminador?
    • Porque el generador por sí solo no puede producir color.
    • Para reducir el tamaño del conjunto de datos
    • Sólo para fines de visualización.
    • Mantener las dos redes simétricas y equilibradas a medida que aumenta la resolución.
  5. ¿Cuál es el propósito de la capa de desviación estándar de minibatch introducida en ProGAN?
    • Para mejorar la imagen final
    • Para comprimir el modelo
    • Incrementar la variación de la producción y desalentar el colapso modal.
    • Para etiquetar las imágenes de entrenamiento
  6. ¿Qué desarrollo posterior redujo la necesidad de un crecimiento progresivo explícito?
    • La invención del discriminador.
    • StyleGAN2 que muestra una arquitectura fija con conexiones omitidas/residuales podría igualar la calidad
    • Cambiar a imágenes en escala de grises
    • Eliminando el vector latente por completo
  7. At alpha equal to zero during a ProGAN generator fade-in, which path supplies the blended output?
    • Only the newly added block at full strength
    • An unrelated pretrained text encoder
    • A random photograph taken from the test set
    • The previous lower-resolution path after upsampling
  8. What is the original ProGAN equalized-learning-rate method intended to balance?
    • The effective scale of learning across layers through dynamic weight scaling
    • The number of captions assigned to each face image
    • The timestamp of every generated training sample
    • The count of output file formats across batches