Kuis terkait panduan · Sedang Tingkat

Kuis Wasserstein GAN

Memeriksa jarak Wasserstein, skor kritik, kondisi Lipschitz, pemotongan beban, penalti gradien, dan stabilitas pelatihan GAN.

Jalur panduan terkaitWasserstein GAN
Pertanyaan 1 dari 8

Metrik jarak apa yang digunakan WGAN untuk membandingkan distribusi nyata dan yang dihasilkan?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Metrik jarak apa yang digunakan WGAN untuk membandingkan distribusi nyata dan yang dihasilkan?
    • Jarak Wasserstein (penggerak bumi).
    • Divergensi Kullback-Leibler
    • Kesamaan kosinus
    • Jarak piksel Euclidean
  2. Di WGAN, jaringan yang menjadi diskriminator diubah namanya menjadi apa, dan mengapa?
    • Seorang 'hakim' karena memilih ya atau tidak
    • Seorang 'kritikus' karena menghasilkan skor realitas yang berkesinambungan, bukan probabilitas
    • Sebuah 'sampler' karena menghasilkan kebisingan
    • Sebuah 'filter' karena menghilangkan gambar buruk
  3. Mengapa kritikus WGAN harus dibatasi menjadi 1-Lipschitz?
    • Untuk membuatnya berlatih lebih cepat pada GPU
    • Untuk mengurangi jumlah parameter
    • Karena dualitas Kantorovich-Rubinstein yang digunakan untuk menghitung jarak Wasserstein memerlukan gradien berbatas
    • Untuk memaksanya mengeluarkan bilangan bulat
  4. Bagaimana WGAN asli menerapkan batasan Lipschitz?
    • Dengan menambahkan putus sekolah
    • Dengan menggunakan normalisasi batch saja
    • Dengan membekukan generator
    • Dengan memotong bobot kritik ke kisaran kecil
  5. Masalah apa yang secara khusus dikurangi oleh WGAN dibandingkan dengan GAN vanilla?
    • Runtuhnya mode dan kerugian yang tidak informatif
    • Overfitting ke set pengujian
    • Pemuatan gambar lambat
    • Penggunaan memori yang berlebihan
  6. Peningkatan apa yang diperkenalkan WGAN-GP dibandingkan WGAN asli?
    • Generator yang lebih besar
    • Penalti gradien menggantikan pemotongan beban
    • Kumpulan data baru
    • Hadiah pembelajaran penguatan
  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