Викторина, связанная с руководством · Легко Уровень

Викторина по условным GAN

Проверяет, как условные входные данные управляют обеими сетями GAN, как дискриминаторы оценивают совпадающие пары и как можно вводить условия.

Связанные направляющие путиУсловные GAN
Вопрос 1 из 8

В чем основное отличие условного GAN от стандартного GAN?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. В чем основное отличие условного GAN от стандартного GAN?
    • Он передает дополнительную информацию, такую ​​как метка класса, в обе сети для управления выводом.
    • Он использует два генератора
    • Он удаляет дискриминатор
    • Работает только с текстом, а не с изображениями.
  2. Что вы можете сделать в cGAN, обученном на помеченных цифрах, чего не может обычный GAN?
    • Работайте без какого-либо шума
    • Запросите конкретную цифру, например «7».
    • Полностью пропустить дискриминатор
    • Генерировать только черно-белый шум
  3. Что должен проверять дискриминатор cGAN, кроме того, выглядит ли изображение реальным?
    • Формат файла изображения
    • Разрешение в мегапикселях
    • Соответствует ли изображение данному ярлыку
    • Скорость обучения
  4. Какой обычно способ подачи преобразующего сигнала на генератор?
    • Удаление вектора шума
    • Обучение без каких-либо ярлыков
    • Использование отдельного физического датчика
    • Объединение метки с входным шумом
  5. Условные GAN заложили основу для каких будущих возможностей?
    • Генерация текста в изображение и изображения в изображение
    • Более быстрые процессоры
    • Фильтрация спама по электронной почте
    • Индексирование базы данных
  6. В современных диффузионных моделях идея кондиционирования cGAN часто проявляется как какой механизм?
    • Случайное ограничение веса
    • Перекрестное внимание на текстовую подсказку
    • Только ручное рисование пикселей
    • Отключение графика шума
  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