Quiz połączony z przewodnikiem · Średni Poziom

Quiz Wassersteina GAN

Sprawdza dystans Wassersteina, oceny krytyków, stan Lipschitza, obcięcie ciężaru, karę za gradient i stabilność treningu GAN.

Powiązane ścieżki prowadząceWasserstein GAN
Pytanie 1 z 8

Jakiego miernika odległości używa WGAN do porównywania rozkładów rzeczywistych i generowanych?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jakiego miernika odległości używa WGAN do porównywania rozkładów rzeczywistych i generowanych?
    • Odległość Wassersteina (koparki).
    • Dywergencja Kullbacka-Leiblera
    • Cosinus podobieństwo
    • Odległość euklidesowa w pikselach
  2. W WGAN nazwa sieci, która była dyskryminatorem, została zmieniona na jaką i dlaczego?
    • „Sędzia”, ponieważ głosuje na tak lub na nie
    • „Krytyk”, ponieważ generuje ciągły wynik realności, a nie prawdopodobieństwa
    • „Sampler”, ponieważ generuje szum
    • „Filtr”, ponieważ usuwa złe obrazy
  3. Dlaczego krytyk WGAN musi być ograniczony do 1-Lipschitza?
    • Aby przyspieszyć trening na procesorach graficznych
    • Aby zmniejszyć liczbę parametrów
    • Ponieważ dualizm Kantorowicza-Rubinsteina używany do obliczania odległości Wassersteina wymaga ograniczonych gradientów
    • Aby wymusić wyświetlanie liczb całkowitych
  4. W jaki sposób oryginalna sieć WGAN wymuszała ograniczenie Lipschitza?
    • Dodając dropout
    • Tylko przy użyciu normalizacji wsadowej
    • Zamrażając generator
    • Ograniczając wagę krytyka do niewielkiego zakresu
  5. Jaki problem znacząco zmniejsza WGAN w porównaniu do zwykłych sieci GAN?
    • Załamanie trybu i utrata informacji
    • Nadmierne dopasowanie do zbioru testowego
    • Powolne ładowanie obrazu
    • Nadmierne wykorzystanie pamięci
  6. Jakie ulepszenia wprowadził WGAN-GP w stosunku do oryginalnego WGAN?
    • Większy generator
    • Kara za gradient zastępująca obcięcie ciężaru
    • Nowy zbiór danych
    • Nagrody za naukę przez wzmacnianie
  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