Quiz lié à un guide · Moyen Niveau

Quiz sur les réseaux contradictoires génératifs

Passez en revue les rôles des générateurs et des discriminateurs, les entrées originales du GAN, les commentaires contradictoires, l'effondrement des modes, les origines historiques, l'équilibre et le conditionnement.

Chemins de guidage associésRéseaux adverses génératifs
Question 1 de 8

Quels sont les deux réseaux concurrents dans un GAN ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Quels sont les deux réseaux concurrents dans un GAN ?
    • Un encodeur et un décodeur
    • Un lecteur et un écrivain
    • Deux exemplaires identiques toujours d'accord
    • Un générateur qui fabrique des contrefaçons et un discriminateur qui les juge
  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. Qu'est-ce que « l'effondrement des modes » dans un GAN ?
    • Le discriminateur supprime toutes les données
    • Le réseau manque de mémoire
    • Le générateur ne produit que quelques sorties répétitives au lieu de variété
    • La résolution de l'image double automatiquement
  5. Which researchers introduced the GAN framework in the 2014 paper?
    • Alan Turing alone in 1950
    • Ian Goodfellow et ses collègues
    • 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