Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Wasserstein GAN kvíz

Checks Wasserstein distance, critic scores, the Lipschitz condition, weight clipping, gradient penalty and GAN training stability.

Kapcsolódó útmutató utakWasserstein GAN
kérdés 1 -ból 8

Milyen távolságmérőt használ a WGAN a valós és a generált eloszlások összehasonlítására?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen távolságmérőt használ a WGAN a valós és a generált eloszlások összehasonlítására?
    • Wasserstein (földmozgató) távolság
    • Kullback-Leibler eltérés
    • Koszinusz hasonlóság
    • Euklideszi pixeltávolság
  2. A WGAN-ban a megkülönböztető hálózatot mire és miért nevezik át?
    • Egy „bíró”, mert igennel vagy nemmel szavaz
    • „Kritikus”, mert folyamatos valóságpontszámot ad ki, nem pedig valószínűséget
    • „Mintavevő”, mert zajt generál
    • Egy „szűrő”, mert eltávolítja a rossz képeket
  3. Miért kell a WGAN kritikusát 1-Lipschitz-re szorítani?
    • Hogy gyorsabban edzenek GPU-kon
    • A paraméterek számának csökkentése érdekében
    • Mivel a Wasserstein-távolság kiszámításához használt Kantorovich-Rubinstein kettősség korlátos gradienseket igényel
    • Egész számok kiadására kényszeríteni
  4. Hogyan kényszerítette ki az eredeti WGAN a Lipschitz-kényszert?
    • Lemorzsolódás hozzáadásával
    • Csak kötegelt normalizálás használatával
    • A generátor lefagyasztásával
    • Úgy, hogy a kritikus súlyait egy kis tartományba vágja
  5. Milyen problémát csökkent a WGAN a vanília GAN-okhoz képest?
    • Üzemmód összeomlás és informatív elvesztés
    • Túlillesztés a tesztkészlethez
    • Lassú képbetöltés
    • Túlzott memóriahasználat
  6. Milyen fejlesztéseket vezetett be a WGAN-GP az eredeti WGAN-hoz képest?
    • Egy nagyobb generátor
    • A súlyvágást helyettesítő gradiens büntetés
    • Új adatkészlet
    • Megerősítő tanulási jutalmak
  7. Why can Wasserstein loss provide a useful signal when real and generated distributions barely overlap?
    • It becomes a binary accuracy score
    • It no longer depends on the critic
    • The distance can vary smoothly as the distributions move, providing gradients before they overlap
    • It requires the generator to match every sample exactly
  8. What does the WGAN-GP gradient penalty encourage the critic’s gradient norm to do on sampled interpolations?
    • Become exactly zero everywhere
    • Grow without bound
    • Match the generator’s parameter count
    • Stay near one