Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Pix2Pix képről képre fordítási kvíz

Checks Pix2Pix’s paired-data requirement, U-Net generator, PatchGAN discriminator and the complementary roles of adversarial and L1 losses.

Kapcsolódó útmutató utakPix2pix kép fordítása képre
kérdés 1 -ból 8

Milyen edzésadatokat igényel a Pix2Pix?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen edzésadatokat igényel a Pix2Pix?
    • Példák a párosított bemeneti-kimeneti képre
    • Egyáltalán nincs adat
    • Csak szöveges feliratok
    • Hangfelvételek
  2. Milyen generátor architektúrát használ a Pix2Pix?
    • Sima, teljesen csatlakoztatott hálózat
    • U-Net kihagyható csatlakozásokkal
    • Ismétlődő hálózat
    • Egy döntési fa
  3. Mit értékel a PatchGAN diszkriminátor a Pix2Pixben?
    • A teljes kép egyetlen globális pontszámként
    • A képfájl mérete
    • Kis helyi képfoltok realizmusa
    • A képzési idő
  4. Miért ad hozzá a Pix2Pix L1-es veszteséget az ellenséges veszteség mellé?
    • Szándékosan lassítani az edzést
    • A megkülönböztető eltávolításához
    • Véletlenszerű zaj generálására
    • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
  5. Miért különösen hasznosak az U-Net átugrási kapcsolatok a fordítási feladatoknál?
    • Közvetlenül a hálózaton keresztül továbbítják a megosztott struktúrát, például éleket
    • Törli a felesleges rétegeket
    • A képeket szöveggé alakítják
    • Csökkentik az adatkészlet méretét
  6. Melyik modell bővítette ki a Pix2Pixet, hogy tanuljon a párosítatlan képgyűjteményekből?
    • ResNet
    • CycleGAN
    • BERT
    • Word2Vec
  7. Why can a PatchGAN discriminator encourage sharper local image texture?
    • It predicts the input labels directly
    • It replaces the generator’s U-Net
    • It judges realism in small image patches rather than only scoring the whole image
    • It computes only global color histograms
  8. In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
    • The learning-rate warmup
    • The GAN’s random seed
    • The PatchGAN receptive-field count
    • The L1 pixel-difference loss