Gids-gekoppelde quiz · Middelmatig Niveau
Quiz voor generatieve vijandige netwerken
Beoordeel de rollen van generator en discriminator, originele GAN-inputs, vijandige feedback, ineenstorting van de modus, historische oorsprong, evenwicht en conditionering.
Vraag 1 van 8
Wat zijn de twee concurrerende netwerken in een GAN?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat zijn de twee concurrerende netwerken in een GAN?
- Een encoder en een decoder
- Een lezer en een schrijver
- Twee identieke exemplaren die het altijd eens zijn
- Een generator die namaakgoederen maakt en een discriminator die ze beoordeelt
- In the original unconditional GAN formulation, what input does the generator transform into a sample?
- A guaranteed copy of a finished real image
- Sampled latent noise
- The discriminator's parameter file
- A fixed human-written answer key
- What adversarial learning signal can reach a GAN generator through its discriminator?
- 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
- Wat is 'mode ineenstorting' in een GAN?
- De discriminator verwijdert alle gegevens
- Het netwerk heeft onvoldoende geheugen
- De generator produceert slechts een paar repetitieve outputs in plaats van variatie
- De beeldresolutie verdubbelt automatisch
- Which researchers introduced the GAN framework in the 2014 paper?
- Alan Turing alone in 1950
- Ian Goodfellow en collega's
- Geoffrey Hinton alone in 2006
- Yann LeCun alone in 1998
- 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
- 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
- De helft
- A probability greater than one
- 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