Quiz lié à un guide · Moyen Niveau

Quiz GAN de Wasserstein

Vérifie la distance de Wasserstein, les scores critiques, la condition Lipschitz, la coupure de poids, la pénalité de pente et la stabilité de l'entraînement GAN.

Chemins de guidage associésWasserstein GAN
Question 1 de 8

Quelle métrique de distance WGAN utilise-t-il pour comparer les distributions réelles et générées ?

Prévisualisez chaque question8 des questions

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

  1. Quelle métrique de distance WGAN utilise-t-il pour comparer les distributions réelles et générées ?
    • Distance de Wasserstein (terrassement)
    • Divergence Kullback-Leibler
    • Similitude cosinus
    • Distance euclidienne des pixels
  2. Dans WGAN, le réseau qui était le discriminateur est renommé en quoi et pourquoi ?
    • Un 'juge' parce qu'il vote oui ou non
    • Un « critique » car il produit un score de réalité continu plutôt qu'une probabilité
    • Un 'sampler' car il génère du bruit
    • Un « filtre » car il supprime les mauvaises images
  3. Pourquoi le critique du WGAN doit-il être contraint à être 1-Lipschitz ?
    • Pour qu'il s'entraîne plus rapidement sur les GPU
    • Pour réduire le nombre de paramètres
    • Parce que la dualité Kantorovich-Rubinstein utilisée pour calculer la distance de Wasserstein nécessite des gradients limités
    • Pour le forcer à sortir des entiers
  4. Comment le WGAN original a-t-il appliqué la contrainte Lipschitz ?
    • En ajoutant un abandon
    • En utilisant uniquement la normalisation par lots
    • En gelant le générateur
    • En réduisant les poids des critiques à une petite fourchette
  5. Quel problème WGAN réduit-il considérablement par rapport aux GAN vanille ?
    • Effondrement du mode et perte non informative
    • Surajustement à l'ensemble de test
    • Chargement lent des images
    • Utilisation excessive de la mémoire
  6. Quelle amélioration WGAN-GP a-t-il introduite par rapport au WGAN original ?
    • Un générateur plus gros
    • Une pénalité de gradient remplaçant la coupure de poids
    • Un nouvel ensemble de données
    • Récompenses d'apprentissage par renforcement
  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