Kuis terkait panduan · Sedang Tingkat

Kuis GAN yang Berkembang Secara Progresif

Uji pelatihan GAN kasar hingga halus, pertumbuhan simetris, alpha fade-in, fitur variasi batch, kecepatan pembelajaran yang disamakan, dan arsitektur tetap yang lebih baru.

Jalur panduan terkaitPertumbuhan Progresif GANs
Pertanyaan 1 dari 8

Bagaimana GAN yang semakin berkembang memulai pelatihan?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Bagaimana GAN yang semakin berkembang memulai pelatihan?
    • Pada resolusi target penuh segera
    • Pada resolusi yang sangat rendah seperti 4x4 piksel
    • Dengan hanya melatih diskriminator saja
    • Dengan perintah teks
  2. Apa manfaat utama dari menumbuhkan resolusi secara bertahap?
    • Ini membuat pelatihan lebih stabil dan lebih cepat dibandingkan pelatihan langsung dengan resolusi tinggi
    • Ini menghilangkan kebutuhan akan generator
    • Ini menghilangkan persyaratan kumpulan data
    • Ini menjamin nol artefak
  3. Ketika lapisan baru dengan resolusi lebih tinggi ditambahkan, bagaimana cara memperkenalkannya?
    • Seketika dengan kekuatan penuh
    • Hanya di diskriminator, tidak pernah di generator
    • Memudar secara halus dengan bobot campuran (alfa) yang menanjak dari 0 hingga 1
    • Dengan melatih kembali jaringan dari awal
  4. Mengapa lapisan ditambahkan ke generator dan diskriminator?
    • Karena generatornya saja tidak bisa menghasilkan warna
    • Untuk mengurangi ukuran kumpulan data
    • Hanya untuk tujuan visualisasi
    • Untuk menjaga kedua jaringan tetap simetris dan seimbang seiring dengan meningkatnya resolusi
  5. Apa tujuan dari lapisan deviasi standar minibatch yang diperkenalkan di ProGAN?
    • Untuk meningkatkan gambar akhir
    • Untuk mengompres model
    • Untuk meningkatkan variasi keluaran dan mencegah keruntuhan mode
    • Untuk memberi label pada gambar pelatihan
  6. Perkembangan apa yang kemudian mengurangi kebutuhan akan pertumbuhan progresif yang eksplisit?
    • Penemuan diskriminator
    • StyleGAN2 yang menampilkan arsitektur tetap dengan koneksi lewati/sisa dapat menyamai kualitas
    • Beralih ke gambar skala abu-abu
    • Menghapus seluruh vektor laten
  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