Questionário vinculado ao guia · Fácil Nível

Questionário sobre GANs condicionais

Verifica como as entradas condicionais guiam ambas as redes GAN, como os discriminadores avaliam os pares combinados e como o condicionamento pode ser injetado.

Caminhos de guia relacionadosGANs condicionais
Pergunta 1 de 8

Qual é a principal diferença entre um GAN condicional e um GAN padrão?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual é a principal diferença entre um GAN condicional e um GAN padrão?
    • Ele alimenta informações extras, como um rótulo de classe, em ambas as redes para controlar a saída
    • Ele usa dois geradores
    • Remove o discriminador
    • Funciona apenas em texto, não em imagens
  2. Em um cGAN treinado em dígitos rotulados, o que você pode fazer que um GAN simples não pode?
    • Execute sem qualquer entrada de ruído
    • Solicite um dígito específico, como '7'
    • Ignore totalmente o discriminador
    • Gere apenas ruído em preto e branco
  3. O que o discriminador cGAN deve verificar, além de saber se uma imagem parece real?
    • O formato de arquivo da imagem
    • A resolução em megapixels
    • Se a imagem corresponde ao rótulo fornecido
    • A taxa de aprendizagem do treinamento
  4. Qual é a forma comum de fornecer o sinal de condicionamento ao gerador?
    • Excluindo o vetor de ruído
    • Treinamento sem rótulos
    • Usando um sensor físico separado
    • Concatenando o rótulo à entrada de ruído
  5. As GANs condicionais lançaram as bases para qual capacidade posterior?
    • Geração de texto para imagem e imagem para imagem
    • CPUs mais rápidas
    • Filtragem de e-mail de spam
    • Indexação de banco de dados
  6. Nos modelos de difusão modernos, a ideia de condicionamento cGAN frequentemente aparece como qual mecanismo?
    • Recorte de peso aleatório
    • Atenção cruzada em um prompt de texto
    • Somente pintura manual de pixels
    • Desativando a programação de ruído
  7. Why must a conditional discriminator see both the generated image and its conditioning label?
    • It uses the label to choose the learning-rate schedule
    • It converts the label into a random noise seed only
    • It needs to judge whether the image is realistic and whether it matches the requested condition
    • It prevents the generator from receiving noise
  8. Besides concatenating a class label to the noise vector, which conditioning method is described in the guide?
    • A spectral-radius constraint
    • An inverse Hessian update
    • A sequence-level BLEU reward
    • A projection layer that scores compatibility between label and image features