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.

Kapcsolódó útmutató utakFeltételes GAN-ok
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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