Kuiz berkaitan panduan · Mudah Tahap

Kuiz GAN bersyarat

Menyemak cara input bersyarat membimbing kedua-dua rangkaian GAN, cara diskriminasi menilai pasangan yang sepadan dan cara pelaziman boleh disuntik.

Laluan panduan yang berkaitanGAN bersyarat
soalan 1 daripada 8

Apakah perbezaan utama antara GAN bersyarat dan GAN standard?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah perbezaan utama antara GAN bersyarat dan GAN standard?
    • Ia memberi maklumat tambahan seperti label kelas ke dalam kedua-dua rangkaian untuk mengawal output
    • Ia menggunakan dua penjana
    • Ia menghapuskan diskriminasi
    • Ia hanya berfungsi pada teks, bukan imej
  2. Dalam cGAN yang dilatih pada digit berlabel, apakah yang boleh anda lakukan yang tidak boleh dilakukan oleh GAN biasa?
    • Jalankan tanpa sebarang input bunyi
    • Minta digit tertentu seperti '7'
    • Langkau pendiskriminasi sepenuhnya
    • Hasilkan bunyi hitam-putih sahaja
  3. Apakah yang mesti diperiksa oleh diskriminator cGAN, selain sama ada imej kelihatan nyata?
    • Format fail imej
    • Resolusi dalam megapiksel
    • Sama ada imej itu sepadan dengan label yang diberikan
    • Kadar pembelajaran latihan
  4. Yang manakah merupakan cara biasa untuk membekalkan isyarat penyaman kepada penjana?
    • Memadamkan vektor hingar
    • Latihan tanpa sebarang label
    • Menggunakan sensor fizikal yang berasingan
    • Menggabungkan label dengan input hingar
  5. GAN bersyarat meletakkan asas untuk keupayaan kemudiannya?
    • Penjanaan teks ke imej dan imej ke imej
    • CPU yang lebih pantas
    • Penapisan e-mel spam
    • Pengindeksan pangkalan data
  6. Dalam model penyebaran moden, idea penyaman cGAN sering muncul sebagai mekanisme apa?
    • Keratan berat secara rawak
    • Perhatian silang pada gesaan teks
    • Lukisan piksel manual sahaja
    • Melumpuhkan jadual hingar
  7. 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
  8. 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