Quiz collegato alla guida · Medio Livello
Wasserstein GAN Quiz
Controlla la distanza di Wasserstein, i punteggi critici, la condizione Lipschitz, il ritaglio del peso, la penalità del gradiente e la stabilità dell'allenamento GAN.
Domanda 1 di 8
Quale metrica di distanza utilizza WGAN per confrontare le distribuzioni reali e generate?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale metrica di distanza utilizza WGAN per confrontare le distribuzioni reali e generate?
- Distanza di Wasserstein (spazzatrice).
- Divergenza di Kullback-Leibler
- Somiglianza del coseno
- Distanza euclidea dei pixel
- In WGAN, la rete che fungeva da discriminante viene rinominata in cosa e perché?
- Un 'giudice' perché vota sì o no
- Un "critico" perché produce un punteggio di realtà continuo piuttosto che una probabilità
- Un 'campionatore' perché genera rumore
- Un "filtro" perché rimuove le immagini cattive
- Perché il critico del WGAN deve essere costretto a essere 1-Lipschitz?
- Per farlo addestrare più velocemente sulle GPU
- Per ridurre il numero di parametri
- Perché la dualità Kantorovich-Rubinstein utilizzata per calcolare la distanza di Wasserstein richiede gradienti limitati
- Per forzarlo a produrre numeri interi
- In che modo il WGAN originale ha imposto il vincolo di Lipschitz?
- Aggiungendo l'abbandono
- Utilizzando solo la normalizzazione batch
- Congelando il generatore
- Riducendo i pesi del critico in un intervallo ristretto
- Quale problema riduce notevolmente il WGAN rispetto ai GAN vanilla?
- Collasso della modalità e perdita non informativa
- Adattamento eccessivo al set di test
- Caricamento lento delle immagini
- Utilizzo eccessivo della memoria
- Quale miglioramento ha introdotto WGAN-GP rispetto al WGAN originale?
- Un generatore più grande
- Una penalità gradiente che sostituisce il ritaglio del peso
- Un nuovo set di dati
- Premi per l'apprendimento rinforzato
- 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
- 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