Test legat de ghid · Mediu Nivel

Testul GAN Wasserstein

Verifică distanța Wasserstein, scorurile criticilor, starea Lipschitz, tăierea greutății, penalizarea gradientului și stabilitatea antrenamentului GAN.

Căi de ghidare aferenteWasserstein GAN
Întrebare 1 de 8

Ce metrică de distanță folosește WGAN pentru a compara distribuțiile reale și cele generate?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce metrică de distanță folosește WGAN pentru a compara distribuțiile reale și cele generate?
    • Distanța lui Wasserstein (mogătorii de pământ).
    • Divergența Kullback-Leibler
    • Asemănarea cosinusului
    • Distanța pixelilor euclidieni
  2. În WGAN, rețeaua care a fost discriminatorul este redenumită în ce și de ce?
    • Un „judecător” pentru că votează da sau nu
    • Un „critic”, deoarece emite un scor continuu al realității, mai degrabă decât o probabilitate
    • Un „sampler” pentru că generează zgomot
    • Un „filtru” pentru că elimină imaginile proaste
  3. De ce trebuie constrâns criticul WGAN să fie 1-Lipschitz?
    • Pentru a-l face să se antreneze mai rapid pe GPU-uri
    • Pentru a reduce numărul de parametri
    • Deoarece dualitatea Kantorovich-Rubinstein folosită pentru a calcula distanța Wasserstein necesită gradienți mărginiți
    • Pentru a-l forța să scoată numere întregi
  4. Cum a aplicat WGAN original constrângerea Lipschitz?
    • Prin adăugarea abandonului
    • Utilizând numai normalizarea loturilor
    • Prin înghețarea generatorului
    • Prin tăierea greutăților criticului la un interval mic
  5. Ce problemă reduce în mod semnificativ WGAN în comparație cu GAN-urile vanilie?
    • Colapsul modului și pierderea neinformativă
    • Suprapotrivire la setul de testare
    • Încărcare lentă a imaginii
    • Utilizarea excesivă a memoriei
  6. Ce îmbunătățiri a introdus WGAN-GP față de WGAN original?
    • Un generator mai mare
    • O penalizare de gradient care înlocuiește tăierea greutății
    • Un nou set de date
    • Recompense pentru învățare prin întărire
  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