Kuiz berkaitan panduan · Sederhana Tahap

Kuiz GAN Wasserstein

Memeriksa jarak Wasserstein, markah pengkritik, keadaan Lipschitz, pemotongan berat, penalti kecerunan dan kestabilan latihan GAN.

Laluan panduan yang berkaitanWasserstein GAN
soalan 1 daripada 8

Apakah metrik jarak yang WGAN gunakan untuk membandingkan taburan sebenar dan terhasil?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah metrik jarak yang WGAN gunakan untuk membandingkan taburan sebenar dan terhasil?
    • Jarak Wasserstein (penggerak bumi).
    • Perbezaan Kullback-Leibler
    • Persamaan kosinus
    • Jarak piksel Euclidean
  2. Dalam WGAN, rangkaian yang menjadi diskriminasi dinamakan semula kepada apa, dan mengapa?
    • Seorang 'hakim' kerana ia mengundi ya atau tidak
    • 'Pengkritik' kerana ia menghasilkan skor realiti berterusan dan bukannya kebarangkalian
    • 'Sampler' kerana ia menghasilkan bunyi
    • 'Penapis' kerana ia membuang imej buruk
  3. Mengapa pengkritik WGAN mesti dikekang untuk menjadi 1-Lipschitz?
    • Untuk menjadikannya berlatih lebih pantas pada GPU
    • Untuk mengurangkan bilangan parameter
    • Kerana dualiti Kantorovich-Rubinstein yang digunakan untuk mengira jarak Wasserstein memerlukan kecerunan terikat
    • Untuk memaksanya mengeluarkan integer
  4. Bagaimanakah WGAN asal menguatkuasakan kekangan Lipschitz?
    • Dengan menambah keciciran
    • Dengan menggunakan normalisasi kelompok sahaja
    • Dengan membekukan penjana
    • Dengan memotong pemberat pengkritik kepada julat yang kecil
  5. Apakah masalah yang ketara dikurangkan oleh WGAN berbanding GAN vanila?
    • Mod runtuh dan kehilangan tidak bermaklumat
    • Overfitting kepada set ujian
    • Pemuatan imej perlahan
    • Penggunaan memori yang berlebihan
  6. Apakah penambahbaikan yang diperkenalkan oleh WGAN-GP berbanding WGAN asal?
    • Penjana yang lebih besar
    • Penalti kecerunan menggantikan pemotongan berat
    • Set data baharu
    • Ganjaran pembelajaran pengukuhan
  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