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.

Percorsi guida correlatiWasserstein 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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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