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.

Kapcsolódó útmutató utakA GAN-ok fokozatos növekedése
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.

  1. Hogyan kezdi el a képzést egy fokozatosan felnövő GAN?
    • Azonnal teljes célfelbontásban
    • Nagyon alacsony felbontásban, például 4x4 pixelben
    • Csak a diszkriminátor előképzésével
    • Szöveges felszólítással
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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