Cuestionario vinculado a una guía · Medio Nivel

Prueba GAN de Wasserstein

Comprueba la distancia de Wasserstein, las puntuaciones críticas, la condición de Lipschitz, el recorte de peso, la penalización de gradiente y la estabilidad del entrenamiento GAN.

Rutas de guía relacionadasWasserstein GAN
Pregunta 1 de 8

¿Qué métrica de distancia utiliza WGAN para comparar distribuciones reales y generadas?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué métrica de distancia utiliza WGAN para comparar distribuciones reales y generadas?
    • Distancia de Wasserstein (movimiento de tierras)
    • Divergencia Kullback-Leibler
    • Similitud del coseno
    • Distancia de píxeles euclidiana
  2. En WGAN, ¿a qué red se le cambia el nombre de la red que discriminaba y por qué?
    • Un 'juez' porque vota sí o no
    • Un 'crítico' porque genera una puntuación de realidad continua en lugar de una probabilidad.
    • Un 'sampler' porque genera ruido
    • Un 'filtro' porque elimina imágenes malas
  3. ¿Por qué el crítico de WGAN debe limitarse a ser 1-Lipschitz?
    • Para que se entrene más rápido en GPU
    • Para reducir el número de parámetros.
    • Debido a que la dualidad Kantorovich-Rubinstein utilizada para calcular la distancia de Wasserstein requiere gradientes acotados
    • Para forzarlo a generar números enteros
  4. ¿Cómo aplicó la WGAN original la restricción de Lipschitz?
    • Al agregar abandono
    • Utilizando únicamente la normalización por lotes
    • Congelando el generador
    • Recortando los pesos del crítico a un rango pequeño
  5. ¿Qué problema reduce notablemente la WGAN en comparación con las GAN básicas?
    • Colapso de modo y pérdida desinformativa.
    • Sobreajuste al conjunto de prueba
    • Carga de imagen lenta
    • Uso excesivo de memoria
  6. ¿Qué mejora introdujo WGAN-GP con respecto al WGAN original?
    • Un generador más grande
    • Una penalización de gradiente que reemplaza el recorte de peso
    • Un nuevo conjunto de datos
    • Recompensas del aprendizaje por refuerzo
  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