Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Wasserstein GAN kvíz
Checks Wasserstein distance, critic scores, the Lipschitz condition, weight clipping, gradient penalty and GAN training stability.
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.
- Milyen távolságmérőt használ a WGAN a valós és a generált eloszlások összehasonlítására?
- Wasserstein (földmozgató) távolság
- Kullback-Leibler eltérés
- Koszinusz hasonlóság
- Euklideszi pixeltávolság
- 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
- 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
- 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
- Milyen problémát csökkent a WGAN a vanília GAN-okhoz képest?
- Üzemmód összeomlás és informatív elvesztés
- Túlillesztés a tesztkészlethez
- Lassú képbetöltés
- Túlzott memóriahasználat
- 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
- 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
- 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