Викторина, связанная с руководством · Средний Уровень

Викторина о прогрессивном росте GAN

Протестируйте грубое и точное обучение GAN, симметричный рост, альфа-нарастание, функции пакетного изменения, уравненную скорость обучения и более поздние фиксированные архитектуры.

Связанные направляющие путиПрогрессивный рост GAN
Вопрос 1 из 8

Как начинает тренироваться постепенно выросший GAN?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Как начинает тренироваться постепенно выросший GAN?
    • При полном целевом разрешении немедленно
    • С очень низким разрешением, например 4x4 пикселя.
    • Предварительно обучая только дискриминатор
    • С текстовой подсказкой
  2. Какова основная польза постепенного увеличения разрешения?
    • Это делает тренировку более стабильной и быстрой, чем тренировка напрямую в высоком разрешении.
    • Это устраняет необходимость в генераторе.
    • Это устраняет необходимость в наборе данных
    • Гарантирует отсутствие артефактов
  3. Когда добавляется новый слой с более высоким разрешением, как он вводится?
    • Мгновенно в полную силу
    • Только в дискриминаторе, а не в генераторе
    • Плавное затухание с плавным увеличением веса (альфа) от 0 до 1.
    • Путем переобучения сети с нуля
  4. Почему слои добавляются и к генератору, и к дискриминатору?
    • Потому что сам по себе генератор не может воспроизвести цвет.
    • Чтобы уменьшить размер набора данных
    • Только для целей визуализации
    • Чтобы две сети оставались симметричными и сбалансированными по мере увеличения разрешения.
  5. Какова цель слоя стандартного отклонения мини-пакета, представленного в ProGAN?
    • Увеличение масштаба конечного изображения
    • Сжатие модели
    • Чтобы увеличить вариацию выходного сигнала и предотвратить коллапс режима.
    • Маркировка обучающих изображений
  6. Какие последующие события уменьшили потребность в явном прогрессивном росте?
    • Изобретение дискриминатора
    • StyleGAN2, демонстрирующий фиксированную архитектуру с пропуском/остаточными соединениями, может соответствовать качеству
    • Переключение на изображения в оттенках серого
    • Полное удаление скрытого вектора
  7. At alpha equal to zero during a ProGAN generator fade-in, which path supplies the blended output?
    • Only the newly added block at full strength
    • An unrelated pretrained text encoder
    • A random photograph taken from the test set
    • The previous lower-resolution path after upsampling
  8. What is the original ProGAN equalized-learning-rate method intended to balance?
    • The effective scale of learning across layers through dynamic weight scaling
    • The number of captions assigned to each face image
    • The timestamp of every generated training sample
    • The count of output file formats across batches