Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Generative Adversarial Networks

Semak peranan penjana dan diskriminasi, input GAN asal, maklum balas lawan, keruntuhan mod, asal sejarah, keseimbangan dan pelaziman.

Laluan panduan yang berkaitanRangkaian Musuh Generatif
soalan 1 daripada 8

Apakah dua rangkaian yang bersaing dalam GAN?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah dua rangkaian yang bersaing dalam GAN?
    • Pengekod dan penyahkod
    • Seorang pembaca dan seorang penulis
    • Dua salinan yang sama yang sentiasa bersetuju
    • Penjana yang membuat palsu dan diskriminasi yang menilai mereka
  2. Dalam rumusan GAN tanpa syarat asal, apakah input yang ditransformasikan oleh penjana menjadi sampel?
    • A guaranteed copy of a finished real image
    • Sampled latent noise
    • The discriminator's parameter file
    • A fixed human-written answer key
  3. Apakah isyarat pembelajaran permusuhan yang boleh sampai kepada penjana GAN melalui pengelasnya?
    • Gradients of the generator objective with respect to its parameters
    • A rule that every generated image is correct
    • A prohibition against all conditional image inputs
    • A copy of every discriminator weight as the output image
  4. Apakah 'mod runtuh' dalam GAN?
    • Diskriminator memadam semua data
    • Rangkaian kehabisan memori
    • Penjana hanya menghasilkan beberapa output berulang dan bukannya pelbagai
    • Resolusi imej berganda secara automatik
  5. Penyelidik manakah yang memperkenalkan kerangka kerja GAN dalam kertas kerja 2014?
    • Alan Turing alone in 1950
    • Ian Goodfellow dan rakan sekerja
    • Geoffrey Hinton alone in 2006
    • Yann LeCun alone in 1998
  6. How can a conventional feed-forward GAN generator produce one sample after training?
    • By requiring exactly a thousand discriminator updates at inference
    • By retrieving an unchanged target image in every case
    • Without evaluating any learned computation
    • With one forward evaluation of the generator
  7. At the ideal original GAN equilibrium where generated and real distributions match, what probability does the optimal discriminator assign to an example being real?
    • Zero for every example
    • One for every example
    • One-half
    • A probability greater than one
  8. In the conditional GAN formulation, where can a class label or other condition be supplied?
    • To both the generator and the discriminator
    • Only to an unrelated output filename
    • To neither network by definition
    • Only after all training and generation have finished