Kuiz berkaitan panduan · Sederhana Tahap

Kuiz GAN Pertumbuhan Progresif

Uji latihan GAN kasar hingga halus, pertumbuhan simetri, fade-in alfa, ciri variasi kelompok, kadar pembelajaran yang disamakan dan seni bina tetap kemudiannya.

Laluan panduan yang berkaitanPertumbuhan Progresif GAN
soalan 1 daripada 8

Bagaimanakah GAN yang berkembang secara progresif memulakan latihan?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Bagaimanakah GAN yang berkembang secara progresif memulakan latihan?
    • Pada resolusi sasaran penuh serta-merta
    • Pada resolusi yang sangat rendah seperti 4x4 piksel
    • Dengan pralatihan hanya diskriminasi
    • Dengan gesaan teks
  2. Apakah faedah utama mengembangkan resolusi secara beransur-ansur?
    • Ia menjadikan latihan lebih stabil dan lebih pantas daripada latihan pada resolusi tinggi secara langsung
    • Ia menghilangkan keperluan untuk penjana
    • Ia menghapuskan keperluan set data
    • Ia menjamin sifar artifak
  3. Apabila lapisan peleraian tinggi baharu ditambah, bagaimanakah ia diperkenalkan?
    • Serta-merta dengan kekuatan penuh
    • Hanya dalam diskriminasi, tidak pernah penjana
    • Pudar dengan lancar dengan berat campuran (alfa) yang meningkat dari 0 hingga 1
    • Dengan melatih semula rangkaian dari awal
  4. Mengapa lapisan ditambahkan pada kedua-dua penjana dan diskriminator?
    • Kerana penjana sahaja tidak boleh menghasilkan warna
    • Untuk mengurangkan saiz set data
    • Hanya untuk tujuan visualisasi
    • Untuk memastikan kedua-dua rangkaian simetri dan seimbang apabila resolusi meningkat
  5. Apakah tujuan lapisan sisihan piawai minibatch diperkenalkan dalam ProGAN?
    • Untuk menaikkan skala imej akhir
    • Untuk memampatkan model
    • Untuk meningkatkan variasi keluaran dan tidak menggalakkan keruntuhan mod
    • Untuk melabelkan imej latihan
  6. Apakah pembangunan kemudian yang mengurangkan keperluan untuk pertumbuhan progresif yang jelas?
    • Ciptaan si diskriminasi
    • StyleGAN2 yang menunjukkan seni bina tetap dengan sambungan langkau/sisa boleh sepadan dengan kualiti
    • Bertukar kepada imej skala kelabu
    • Mengalih keluar vektor terpendam sepenuhnya
  7. At alpha equal to zero during a ProGAN generator fade-in, which path supplies the blended output?
    • Only the newly added block at full strength
    • An unrelated pretrained text encoder
    • A random photograph taken from the test set
    • The previous lower-resolution path after upsampling
  8. What is the original ProGAN equalized-learning-rate method intended to balance?
    • The effective scale of learning across layers through dynamic weight scaling
    • The number of captions assigned to each face image
    • The timestamp of every generated training sample
    • The count of output file formats across batches