Gids-gekoppelde quiz · Gemakkelijk Niveau
Voorwaardelijke GAN's Quiz
Controleert hoe voorwaardelijke inputs beide GAN-netwerken sturen, hoe discriminatoren gematchte paren beoordelen en hoe conditionering kan worden geïnjecteerd.
Vraag 1 van 8
Wat is het belangrijkste verschil tussen een voorwaardelijke GAN en een standaard GAN?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het belangrijkste verschil tussen een voorwaardelijke GAN en een standaard GAN?
- Het voert extra informatie, zoals een klassenlabel, in beide netwerken in om de uitvoer te controleren
- Er wordt gebruik gemaakt van twee generatoren
- Het verwijdert de discriminator
- Het werkt alleen op tekst, niet op afbeeldingen
- Wat kun je in een cGAN die is getraind op gelabelde cijfers, wat een gewone GAN niet kan?
- Draai zonder enige geluidsinvoer
- Vraag een specifiek cijfer aan, zoals een '7'
- Sla de discriminator volledig over
- Genereer alleen zwart-witruis
- Waar moet de cGAN-discriminator op letten, behalve of een afbeelding er echt uitziet?
- Het bestandsformaat van de afbeelding
- De resolutie in megapixels
- Of de afbeelding overeenkomt met het opgegeven label
- Het leerpercentage van de training
- Wat is een gebruikelijke manier om het conditioneringssignaal aan de generator te leveren?
- De ruisvector verwijderen
- Trainen zonder labels
- Met behulp van een afzonderlijke fysieke sensor
- Het label aaneenschakelen met de ruisinvoer
- Voorwaardelijke GAN's legden de basis voor welke latere mogelijkheden?
- Tekst-naar-afbeelding en afbeelding-naar-afbeelding genereren
- Snellere CPU's
- Spam-e-mailfiltering
- Database-indexering
- Als welk mechanisme verschijnt het cGAN-idee van conditionering vaak in moderne diffusiemodellen?
- Willekeurig gewicht knippen
- Cross-aandacht op een tekstprompt
- Alleen handmatig pixelschilderen
- Het geluidsschema uitschakelen
- 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
- 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