Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący progresywnego wzrostu GAN

Przetestuj szkolenie GAN od zgrubnego do dokładnego, wzrost symetryczny, zanikanie sygnału alfa, funkcje zmienności wsadowej, wyrównane szybkości uczenia się i późniejsze stałe architektury.

Powiązane ścieżki prowadząceStopniowy rozwój GANs
Pytanie 1 z 8

W jaki sposób stopniowo rozwijający się GAN rozpoczyna trening?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. W jaki sposób stopniowo rozwijający się GAN rozpoczyna trening?
    • Natychmiast w pełnej rozdzielczości docelowej
    • W bardzo niskiej rozdzielczości, takiej jak 4x4 piksele
    • Poprzez wstępne uczenie tylko dyskryminatora
    • Z podpowiedzią tekstową
  2. Jaka jest główna korzyść ze stopniowego zwiększania rozdzielczości?
    • Dzięki temu trening jest stabilniejszy i szybszy niż bezpośredni trening w wysokiej rozdzielczości
    • Eliminuje to potrzebę stosowania generatora
    • Eliminuje to wymagania dotyczące zestawu danych
    • Gwarantuje zero artefaktów
  3. Kiedy dodawana jest nowa warstwa o wyższej rozdzielczości, w jaki sposób jest ona wprowadzana?
    • Natychmiast z pełną mocą
    • Tylko w dyskryminatorze, nigdy w generatorze
    • Płynnie zanikane z wagą mieszania (alfa), która zmienia się od 0 do 1
    • Poprzez przeszkolenie sieci od zera
  4. Dlaczego warstwy są dodawane zarówno do generatora, jak i dyskryminatora?
    • Ponieważ sam generator nie jest w stanie wytworzyć koloru
    • Aby zmniejszyć rozmiar zestawu danych
    • Tylko w celach wizualizacyjnych
    • Aby zachować symetryczność i równowagę obu sieci w miarę wzrostu rozdzielczości
  5. Jaki jest cel wprowadzenia warstwy odchylenia standardowego minibatch w ProGAN?
    • Aby ulepszyć ostateczny obraz
    • Aby skompresować model
    • Aby zwiększyć zmienność mocy wyjściowej i zapobiec załamaniu trybu
    • Aby oznaczyć obrazy szkoleniowe
  6. Jaki późniejszy rozwój zredukował potrzebę wyraźnego, progresywnego wzrostu?
    • Wynalazek dyskryminatora
    • StyleGAN2 pokazujący stałą architekturę z pomijanymi/resztowymi połączeniami może dorównać jakością
    • Przełączanie na obrazy w skali szarości
    • Całkowite usunięcie ukrytego wektora
  7. 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
  8. 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