Gids-gekoppelde quiz · Middelmatig Niveau
Wasserstein GAN-quiz
Controleert de Wasserstein-afstand, criticiscores, de Lipschitz-conditie, gewichtsvermindering, gradiëntstraf en GAN-trainingsstabiliteit.
Vraag 1 van 8
Welke afstandsmetriek gebruikt WGAN om echte en gegenereerde distributies te vergelijken?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welke afstandsmetriek gebruikt WGAN om echte en gegenereerde distributies te vergelijken?
- Wasserstein (grondverzet) afstand
- Kullback-Leibler-divergentie
- Cosinus gelijkenis
- Euclidische pixelafstand
- In WGAN wordt het netwerk dat de discriminator was, hernoemd naar wat, en waarom?
- Een 'rechter' omdat die ja of nee stemt
- Een 'criticus' omdat het een continue realness-score oplevert in plaats van een waarschijnlijkheid
- Een 'sampler' omdat deze ruis genereert
- Een 'filter' omdat het slechte beelden verwijdert
- Waarom moet de WGAN-criticus gedwongen worden 1-Lipschitz te zijn?
- Om het sneller te laten trainen op GPU's
- Om het aantal parameters te verminderen
- Omdat de dualiteit Kantorovich-Rubinstein die wordt gebruikt om de Wasserstein-afstand te berekenen, begrensde gradiënten vereist
- Om het te dwingen gehele getallen uit te voeren
- Hoe handhaafde de oorspronkelijke WGAN de Lipschitz-beperking?
- Door uitval toe te voegen
- Door alleen batchnormalisatie te gebruiken
- Door de generator te bevriezen
- Door de gewichten van de criticus tot een klein bereik te beperken
- Welk probleem vermindert WGAN aanzienlijk in vergelijking met traditionele GAN's?
- Instorting van de modus en niet-informatief verlies
- Overfitting op de testset
- Langzaam laden van afbeeldingen
- Overmatig geheugengebruik
- Welke verbetering heeft WGAN-GP geïntroduceerd ten opzichte van de oorspronkelijke WGAN?
- Een grotere generator
- Een gradiëntstraf die gewichtsclipping vervangt
- Een nieuwe dataset
- Versterking van leerbeloningen
- 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
- 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