Quiz collegato alla guida · Medio Livello
Quiz sugli autocodificatori variazionali
Esaminare le distribuzioni VAE, la riparametrizzazione, la regolarizzazione KL, la formazione ELBO, il campionamento e l'uso della diffusione latente. Controllare le prove e la portata.
Domanda 1 di 8
Cosa fa l'encoder in un output VAE per un dato input?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa fa l'encoder in un output VAE per un dato input?
- I parametri di una distribuzione di probabilità, come media e varianza
- Un unico punto fisso nello spazio latente
- Un'etichetta di classe
- Una copia ricostruita dell'input
- Qual è lo scopo del trucco di riparametrizzazione?
- Per ingrandire il decoder
- Per consentire ai gradienti di fluire attraverso la fase di campionamento casuale
- Per eliminare la necessità di un decoder
- Per comprimere ulteriormente lo spazio latente
- In the standard Gaussian VAE formulation, what does the KL term encourage?
- The decoder to predict future input tokens
- The encoder to remove all randomness
- The approximate posterior to stay close to the chosen prior, commonly a standard normal
- Every latent variable to have the same observed value
- La funzione obiettivo che i VAE massimizzano durante la formazione è chiamata:
- Soffitto dell’entropia incrociata
- Perdita contraddittoria
- Margine quadrato medio
- Limite inferiore dell'evidenza (ELBO)
- In a Gaussian VAE, what enables generation of a new sample?
- Sample a latent from the prior and decode it with the learned decoder
- Copy a training image directly without a model
- Run the encoder backward with no latent sampling
- Choose a random class label without decoding
- In un modello di diffusione latente come la Diffusione Stabile, che ruolo gioca la VAE?
- Etichetta le immagini di allenamento
- Comprime le immagini in uno spazio latente in cui avviene la diffusione, quindi decodifica nuovamente in pixel
- Sostituisce il codificatore di testo
- Pianifica i livelli di rumore
- In variational inference, what does the ELBO provide for the marginal log likelihood log p(x)?
- An exact value of log p(x) for every model
- A guarantee that each generated sample is realistic
- A tractable lower bound that can be maximized instead of directly maximizing log p(x)
- A posterior distribution that requires no inference model
- What distribution does a VAE decoder model given a latent vector?
- The encoder’s approximate posterior q(z|x)
- The training set’s class-frequency histogram only
- The optimizer’s learning-rate schedule
- The likelihood of an observation conditioned on that latent, p(x|z)