Útmutatóhoz kapcsolódó kvíz · Közepes Szint
A GAN-ok progresszív növekedése kvíz
Test coarse-to-fine GAN training, symmetric growth, alpha fade-in, batch-variation features, equalized learning rates, and later fixed architectures.
kérdés 1 -ból 8
Hogyan kezdi el a képzést egy fokozatosan felnövő GAN?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Hogyan kezdi el a képzést egy fokozatosan felnövő GAN?
- Azonnal teljes célfelbontásban
- Nagyon alacsony felbontásban, például 4x4 pixelben
- Csak a diszkriminátor előképzésével
- Szöveges felszólítással
- Mi a fő előnye a felbontás fokozatos növelésének?
- Stabilabbá és gyorsabbá teszi az edzést, mint a közvetlenül nagy felbontású edzést
- Megszünteti a generátor szükségességét
- Megszünteti az adatkészlet-szükségletet
- Garantálja a nulla műterméket
- Ha új, nagyobb felbontású réteget adunk hozzá, hogyan kerül bevezetésre?
- Azonnal teljes erővel
- Csak a diszkriminátorban, soha a generátorban
- Simán elhalványul egy keverősúllyal (alfa), amely 0-ról 1-re ugrik
- A hálózat nulláról való átképzésével
- Miért adnak rétegeket a generátorhoz és a diszkriminátorhoz is?
- Mert a generátor önmagában nem képes színt előállítani
- Az adatkészlet méretének csökkentése érdekében
- Csak vizualizációs célokra
- A két hálózat szimmetrikus és kiegyensúlyozott tartása a felbontás növekedésével
- Mi a célja a ProGAN-ban bevezetett minibatch szórásrétegnek?
- A végső kép felskálázásához
- A modell tömörítéséhez
- A kimeneti ingadozás növelése és a mód összeomlása érdekében
- Az edzésképek címkézéséhez
- Milyen későbbi fejlesztések csökkentették az explicit progresszív termesztés szükségességét?
- A diszkriminátor találmánya
- A StyleGAN2, amely rögzített architektúrát mutat kihagyási/maradék kapcsolatokkal, megfelelhet a minőségnek
- Váltás szürkeárnyalatos képekre
- A látens vektor teljes eltávolítása
- At alpha equal to zero during a ProGAN generator fade-in, which path supplies the blended output?
- Only the newly added block at full strength
- An unrelated pretrained text encoder
- A random photograph taken from the test set
- The previous lower-resolution path after upsampling
- What is the original ProGAN equalized-learning-rate method intended to balance?
- The effective scale of learning across layers through dynamic weight scaling
- The number of captions assigned to each face image
- The timestamp of every generated training sample
- The count of output file formats across batches