Quiz collegato alla guida · Medio Livello
Quiz sulla crescita progressiva dei GAN
Testa l'addestramento GAN da grossolano a fine, la crescita simmetrica, la dissolvenza in entrata alfa, le funzionalità di variazione batch, i tassi di apprendimento equalizzati e le architetture fisse successive.
Domanda 1 di 8
Come inizia la formazione un GAN progressivamente cresciuto?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Come inizia la formazione un GAN progressivamente cresciuto?
- Immediatamente alla massima risoluzione target
- A una risoluzione molto bassa come 4x4 pixel
- Pre-addestrando solo il discriminatore
- Con un messaggio di testo
- Qual è il vantaggio principale derivante dall’aumento graduale della risoluzione?
- Rende l'allenamento più stabile e veloce rispetto all'allenamento diretto ad alta risoluzione
- Elimina la necessità di un generatore
- Elimina il requisito del set di dati
- Garantisce zero artefatti
- Quando viene aggiunto un nuovo livello ad alta risoluzione, come viene introdotto?
- Immediatamente a piena forza
- Solo nel discriminatore, mai nel generatore
- Sfumatura graduale con un peso di fusione (alfa) che varia da 0 a 1
- Riqualificando la rete da zero
- Perché i livelli vengono aggiunti sia al generatore che al discriminatore?
- Perché il generatore da solo non può produrre colore
- Per ridurre la dimensione del set di dati
- Solo a scopo di visualizzazione
- Per mantenere le due reti simmetriche ed equilibrate all'aumentare della risoluzione
- Qual è lo scopo dello strato di deviazione standard del minibatch introdotto in ProGAN?
- Per migliorare l'immagine finale
- Per comprimere il modello
- Aumentare la variazione dell’output e scoraggiare il collasso della modalità
- Per etichettare le immagini di allenamento
- Quale sviluppo successivo ha ridotto la necessità di una crescita progressiva esplicita?
- L'invenzione del discriminatore
- StyleGAN2 che mostra un'architettura fissa con connessioni saltate/residue potrebbe eguagliare la qualità
- Passaggio alle immagini in scala di grigi
- Rimozione completa del vettore latente
- 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
- 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