Викторина, связанная с руководством · Средний Уровень

Викторина по генеративно-состязательным сетям

Просмотрите роли генератора и дискриминатора, исходные входные данные GAN, состязательную обратную связь, коллапс режима, историческое происхождение, равновесие и обусловленность.

Связанные направляющие путиГенеративно-состязательные сети
Вопрос 1 из 8

Каковы две конкурирующие сети в GAN?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Каковы две конкурирующие сети в GAN?
    • Кодер и декодер
    • Читатель и писатель
    • Две одинаковые копии, которые всегда совпадают
    • Генератор, создающий фейки, и дискриминатор, который их осуждает.
  2. In the original unconditional GAN formulation, what input does the generator transform into a sample?
    • A guaranteed copy of a finished real image
    • Sampled latent noise
    • The discriminator's parameter file
    • A fixed human-written answer key
  3. What adversarial learning signal can reach a GAN generator through its discriminator?
    • Gradients of the generator objective with respect to its parameters
    • A rule that every generated image is correct
    • A prohibition against all conditional image inputs
    • A copy of every discriminator weight as the output image
  4. Что такое «коллапс режима» в GAN?
    • Дискриминатор удаляет все данные
    • В сети не хватает памяти
    • Генератор выдает только несколько повторяющихся результатов вместо разнообразия.
    • Разрешение изображения автоматически удваивается.
  5. Which researchers introduced the GAN framework in the 2014 paper?
    • Alan Turing alone in 1950
    • Ян Гудфеллоу и коллеги
    • Geoffrey Hinton alone in 2006
    • Yann LeCun alone in 1998
  6. How can a conventional feed-forward GAN generator produce one sample after training?
    • By requiring exactly a thousand discriminator updates at inference
    • By retrieving an unchanged target image in every case
    • Without evaluating any learned computation
    • With one forward evaluation of the generator
  7. At the ideal original GAN equilibrium where generated and real distributions match, what probability does the optimal discriminator assign to an example being real?
    • Zero for every example
    • One for every example
    • One-half
    • A probability greater than one
  8. In the conditional GAN formulation, where can a class label or other condition be supplied?
    • To both the generator and the discriminator
    • Only to an unrelated output filename
    • To neither network by definition
    • Only after all training and generation have finished