Quiz collegato alla guida · Facile Livello
Quiz sui GAN condizionali
Controlla come gli input condizionali guidano entrambe le reti GAN, come i discriminatori valutano le coppie abbinate e come può essere iniettato il condizionamento.
Domanda 1 di 8
Qual è la differenza principale tra un GAN condizionale e un GAN standard?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è la differenza principale tra un GAN condizionale e un GAN standard?
- Fornisce informazioni aggiuntive come un'etichetta di classe in entrambe le reti per controllare l'output
- Utilizza due generatori
- Rimuove il discriminatore
- Funziona solo sul testo, non sulle immagini
- In un cGAN addestrato su cifre etichettate, cosa puoi fare che un semplice GAN non può fare?
- Funziona senza alcun rumore
- Richiedi una cifra specifica come un "7"
- Salta del tutto il discriminatore
- Genera solo rumore in bianco e nero
- Cosa deve verificare il discriminatore cGAN, oltre al fatto che un'immagine sembri reale?
- Il formato file dell'immagine
- La risoluzione in megapixel
- Se l'immagine corrisponde all'etichetta specificata
- Il tasso di apprendimento formativo
- Qual è un modo comune per fornire il segnale di condizionamento al generatore?
- Eliminazione del vettore del rumore
- Formazione senza etichette
- Utilizzando un sensore fisico separato
- Concatenando l'etichetta all'input rumore
- I GAN condizionali hanno gettato le basi per quale capacità successiva?
- Generazione di testo in immagine e di immagine in immagine
- CPU più veloci
- Filtraggio della posta indesiderata
- Indicizzazione dei database
- Nei moderni modelli di diffusione, l’idea di condizionamento cGAN appare spesso come quale meccanismo?
- Ritaglio del peso casuale
- Attenzione incrociata su un messaggio di testo
- Solo pittura pixel manuale
- Disabilitare la pianificazione del rumore
- 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
- 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