Kuis terkait panduan · Mudah Tingkat

Kuis GAN Bersyarat

Memeriksa bagaimana masukan bersyarat memandu kedua jaringan GAN, bagaimana diskriminator menilai pasangan yang cocok, dan bagaimana pengkondisian dapat diterapkan.

Jalur panduan terkaitGAN bersyarat
Pertanyaan 1 dari 8

Apa perbedaan utama antara GAN bersyarat dan GAN standar?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa perbedaan utama antara GAN bersyarat dan GAN standar?
    • Ini memasukkan informasi tambahan seperti label kelas ke kedua jaringan untuk mengontrol keluaran
    • Ini menggunakan dua generator
    • Ini menghilangkan diskriminator
    • Ini hanya berfungsi pada teks, bukan gambar
  2. Dalam cGAN yang dilatih dengan angka berlabel, apa yang dapat Anda lakukan yang tidak dapat dilakukan oleh GAN biasa?
    • Jalankan tanpa masukan kebisingan apa pun
    • Minta digit tertentu seperti '7'
    • Lewati diskriminator sepenuhnya
    • Hanya menghasilkan noise hitam-putih
  3. Apa yang harus diperiksa oleh diskriminator cGAN, selain apakah suatu gambar terlihat nyata?
    • Format file gambar
    • Resolusi dalam megapiksel
    • Apakah gambar cocok dengan label yang diberikan
    • Kecepatan pembelajaran pelatihan
  4. Manakah cara umum untuk menyuplai sinyal pengkondisian ke generator?
    • Menghapus vektor kebisingan
    • Pelatihan tanpa label apa pun
    • Menggunakan sensor fisik terpisah
    • Menggabungkan label ke input kebisingan
  5. GAN bersyarat meletakkan dasar untuk kemampuan selanjutnya?
    • Pembuatan teks-ke-gambar dan gambar-ke-gambar
    • CPU lebih cepat
    • Penyaringan email spam
    • Pengindeksan basis data
  6. Dalam model difusi modern, gagasan cGAN tentang pengkondisian sering muncul sebagai mekanisme apa?
    • Pemotongan berat badan secara acak
    • Perhatian silang pada prompt teks
    • Hanya lukisan piksel manual
    • Menonaktifkan jadwal kebisingan
  7. Why must a conditional discriminator see both the generated image and its conditioning label?
    • It uses the label to choose the learning-rate schedule
    • It converts the label into a random noise seed only
    • It needs to judge whether the image is realistic and whether it matches the requested condition
    • It prevents the generator from receiving noise
  8. Besides concatenating a class label to the noise vector, which conditioning method is described in the guide?
    • A spectral-radius constraint
    • An inverse Hessian update
    • A sequence-level BLEU reward
    • A projection layer that scores compatibility between label and image features