Questionário vinculado ao guia · Médio Nível

Questionário Wasserstein GAN

Verifica a distância de Wasserstein, pontuações críticas, condição de Lipschitz, corte de peso, penalidade de gradiente e estabilidade de treinamento GAN.

Caminhos de guia relacionadosWasserstein GAN
Pergunta 1 de 8

Que métrica de distância o WGAN usa para comparar distribuições reais e geradas?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Que métrica de distância o WGAN usa para comparar distribuições reais e geradas?
    • Distância de Wasserstein (motor de terra)
    • Divergência de Kullback-Leibler
    • Semelhança de cosseno
    • Distância euclidiana de pixels
  2. Na WGAN, a rede que era o discriminador é renomeada para quê e por quê?
    • Um 'juiz' porque vota sim ou não
    • Um 'crítico' porque produz uma pontuação de realidade contínua em vez de uma probabilidade
    • Um 'amostrador' porque gera ruído
    • Um ‘filtro’ porque remove imagens ruins
  3. Por que o crítico do WGAN deve ser limitado a ser 1-Lipschitz?
    • Para fazer com que ele treine mais rápido em GPUs
    • Para reduzir o número de parâmetros
    • Porque a dualidade de Kantorovich-Rubinstein usada para calcular a distância de Wasserstein requer gradientes limitados
    • Para forçá-lo a gerar números inteiros
  4. Como o WGAN original aplicou a restrição de Lipschitz?
    • Adicionando abandono
    • Usando apenas normalização em lote
    • Congelando o gerador
    • Ao reduzir os pesos do crítico a uma pequena faixa
  5. Que problema o WGAN reduz notavelmente em comparação com os GANs vanilla?
    • Colapso do modo e perda não informativa
    • Overfitting para o conjunto de teste
    • Carregamento lento de imagem
    • Uso excessivo de memória
  6. Que melhoria o WGAN-GP introduziu em relação ao WGAN original?
    • Um gerador maior
    • Uma penalidade de gradiente substituindo o corte de peso
    • Um novo conjunto de dados
    • Recompensas de aprendizagem por reforço
  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