Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący generatywnych sieci przeciwstawnych

Przejrzyj role generatora i dyskryminatora, oryginalne dane wejściowe GAN, kontradyktoryjne sprzężenie zwrotne, załamanie modów, pochodzenie historyczne, równowagę i warunkowanie.

Powiązane ścieżki prowadząceGeneracyjne sieci przeciwstawne
Pytanie 1 z 8

Jakie są dwie konkurencyjne sieci w sieci GAN?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jakie są dwie konkurencyjne sieci w sieci GAN?
    • Koder i dekoder
    • Czytelnik i pisarz
    • Dwie identyczne kopie, które zawsze się zgadzają
    • Generator tworzący podróbki i dyskryminator, który je ocenia
  2. 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
  3. 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
  4. Co to jest „załamanie trybu” w sieci GAN?
    • Dyskryminator usuwa wszystkie dane
    • W sieci zabrakło pamięci
    • Generator zamiast różnorodności generuje tylko kilka powtarzalnych wyników
    • Rozdzielczość obrazu podwaja się automatycznie
  5. Which researchers introduced the GAN framework in the 2014 paper?
    • Alan Turing alone in 1950
    • Iana Goodfellowa i współpracowników
    • Geoffrey Hinton alone in 2006
    • Yann LeCun alone in 1998
  6. 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
  7. 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
    • One-half
    • A probability greater than one
  8. 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