Útmutatóhoz kapcsolódó kvíz · Könnyű Szint
Feltételes GAN-kvíz
Checks how conditional inputs guide both GAN networks, how discriminators assess matched pairs, and how conditioning can be injected.
kérdés 1 -ból 8
Mi a fő különbség a feltételes GAN és a szabványos GAN között?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi a fő különbség a feltételes GAN és a szabványos GAN között?
- Extra információkat, például osztálycímkét táplál be mindkét hálózatba a kimenet szabályozása érdekében
- Két generátort használ
- Eltávolítja a diszkriminátort
- Csak szövegen működik, képeken nem
- A címkézett számjegyekre oktatott cGAN-ban mit lehet tenni, amit egy sima GAN nem?
- Futtasson zaj nélkül
- Kérjen egy adott számjegyet, például 7-et
- Teljesen hagyd ki a megkülönböztetőt
- Csak fekete-fehér zajt generál
- Mit kell ellenőriznie a cGAN diszkriminátornak azon túl, hogy egy kép valódinak tűnik-e?
- A kép fájlformátuma
- A felbontás megapixelben
- A kép egyezik-e a megadott címkével
- A képzés tanulási aránya
- Melyik az elterjedt módja a kondicionáló jelnek a generátornak való ellátásának?
- A zajvektor törlése
- Képzés címke nélkül
- Külön fizikai érzékelő használatával
- A címke összefűzése a zajbemenettel
- A feltételes GAN-ok melyik későbbi képesség alapjait fektették le?
- Szövegből képbe és képből képbe generálás
- Gyorsabb CPU-k
- Spam e-mailek szűrése
- Adatbázis indexelés
- A modern diffúziós modellekben a kondicionálás cGAN ötlete gyakran milyen mechanizmusként jelenik meg?
- Véletlenszerű súlyvágás
- Keresztfigyelem szöveges felszólításnál
- Csak manuális pixelfestés
- A zaj ütemezésének letiltása
- Why must a conditional discriminator see both the generated image and its conditioning label?
- It uses the label to choose the learning-rate schedule
- It converts the label into a random noise seed only
- It needs to judge whether the image is realistic and whether it matches the requested condition
- It prevents the generator from receiving noise
- Besides concatenating a class label to the noise vector, which conditioning method is described in the guide?
- A spectral-radius constraint
- An inverse Hessian update
- A sequence-level BLEU reward
- A projection layer that scores compatibility between label and image features