Gids-gekoppelde quiz · Middelmatig Niveau
Progressieve groei van GAN's Quiz
Test grof-tot-fijn GAN-training, symmetrische groei, alfa-fade-in, batch-variatiefuncties, gelijke leersnelheden en later vaste architecturen.
Vraag 1 van 8
Hoe begint een geleidelijk gegroeide GAN met trainen?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Hoe begint een geleidelijk gegroeide GAN met trainen?
- Onmiddellijk op de volledige doelresolutie
- Bij een zeer lage resolutie zoals 4x4 pixels
- Door alleen de discriminator voor te trainen
- Met een tekstprompt
- Wat is het belangrijkste voordeel van het geleidelijk verhogen van de resolutie?
- Het maakt de training stabieler en sneller dan direct trainen met hoge resolutie
- Het elimineert de noodzaak van een generator
- Het elimineert de datasetvereiste
- Het garandeert nul artefacten
- Wanneer een nieuwe laag met een hogere resolutie wordt toegevoegd, hoe wordt deze dan geïntroduceerd?
- Direct op volle sterkte
- Alleen in de discriminator, nooit in de generator
- Soepel infadend met een menggewicht (alfa) dat oploopt van 0 naar 1
- Door het netwerk helemaal opnieuw te trainen
- Waarom worden er lagen toegevoegd aan zowel de generator als de discriminator?
- Omdat de generator alleen geen kleur kan produceren
- Om de grootte van de dataset te verkleinen
- Alleen voor visualisatiedoeleinden
- Om de twee netwerken symmetrisch en gebalanceerd te houden naarmate de resolutie toeneemt
- Wat is het doel van de minibatch-standaardafwijkingslaag die in ProGAN is geïntroduceerd?
- Om de uiteindelijke afbeelding op te schalen
- Om het model te comprimeren
- Om de outputvariatie te vergroten en de ineenstorting van de modus te ontmoedigen
- Om de trainingsafbeeldingen te labelen
- Welke latere ontwikkeling verminderde de behoefte aan expliciete progressieve teelt?
- De uitvinding van de discriminator
- StyleGAN2 met een vaste architectuur met skip/restverbindingen zou de kwaliteit kunnen evenaren
- Overschakelen naar grijswaardenafbeeldingen
- Het volledig verwijderen van de latente vector
- 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
- 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