Gids-gekoppelde quiz · Middelmatig Niveau

Wasserstein GAN-quiz

Controleert de Wasserstein-afstand, criticiscores, de Lipschitz-conditie, gewichtsvermindering, gradiëntstraf en GAN-trainingsstabiliteit.

Gerelateerde gidspadenWasserstein GAN
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.

  1. Welke afstandsmetriek gebruikt WGAN om echte en gegenereerde distributies te vergelijken?
    • Wasserstein (grondverzet) afstand
    • Kullback-Leibler-divergentie
    • Cosinus gelijkenis
    • Euclidische pixelafstand
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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