Kuis terkait panduan · Sedang Tingkat

Kuis Jaringan Adversarial Generatif

Tinjau peran generator dan diskriminator, masukan GAN asli, umpan balik permusuhan, keruntuhan mode, asal usul sejarah, keseimbangan, dan pengkondisian.

Jalur panduan terkaitJaringan Permusuhan Generatif
Pertanyaan 1 dari 8

Apa dua jaringan yang bersaing dalam GAN?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa dua jaringan yang bersaing dalam GAN?
    • Encoder dan decoder
    • Seorang pembaca dan penulis
    • Dua salinan identik yang selalu setuju
    • Generator yang membuat barang palsu dan diskriminator yang menghakiminya
  2. Dalam formulasi GAN asli tanpa syarat, masukan apa yang diubah oleh generator menjadi sampel?
    • A guaranteed copy of a finished real image
    • Sampled latent noise
    • The discriminator's parameter file
    • A fixed human-written answer key
  3. Sinyal pembelajaran permusuhan apa yang dapat menjangkau generator GAN melalui diskriminatornya?
    • Gradients of the generator objective with respect to its parameters
    • A rule that every generated image is correct
    • A prohibition against all conditional image inputs
    • A copy of every discriminator weight as the output image
  4. Apa itu 'mode runtuh' di GAN?
    • Diskriminator menghapus semua data
    • Jaringan kehabisan memori
    • Generator hanya menghasilkan sedikit keluaran yang berulang, bukan variasi
    • Resolusi gambar berlipat ganda secara otomatis
  5. Peneliti mana yang memperkenalkan kerangka GAN pada makalah tahun 2014?
    • Alan Turing alone in 1950
    • Ian Goodfellow dan rekannya
    • Geoffrey Hinton alone in 2006
    • Yann LeCun alone in 1998
  6. How can a conventional feed-forward GAN generator produce one sample after training?
    • By requiring exactly a thousand discriminator updates at inference
    • By retrieving an unchanged target image in every case
    • Without evaluating any learned computation
    • With one forward evaluation of the generator
  7. At the ideal original GAN equilibrium where generated and real distributions match, what probability does the optimal discriminator assign to an example being real?
    • Zero for every example
    • One for every example
    • One-half
    • A probability greater than one
  8. In the conditional GAN formulation, where can a class label or other condition be supplied?
    • To both the generator and the discriminator
    • Only to an unrelated output filename
    • To neither network by definition
    • Only after all training and generation have finished