Викторина, связанная с руководством · Средний Уровень

Вассерштейн ГАН Викторина

Проверяет расстояние Вассерштейна, оценки критиков, состояние Липшица, ограничение веса, штраф за градиент и стабильность тренировки GAN.

Связанные направляющие путиВассерштейн ГАН
Вопрос 1 из 8

Какую метрику расстояния использует WGAN для сравнения реальных и сгенерированных распределений?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какую метрику расстояния использует WGAN для сравнения реальных и сгенерированных распределений?
    • Расстояние Вассерштейна (землекопа)
    • Расхождение Кульбака-Лейблера
    • Косинусное подобие
    • Евклидово расстояние в пикселях
  2. В WGAN сеть, которая была дискриминатором, переименована во что и почему?
    • «Судья», потому что он голосует «да» или «нет»
    • «Критик», потому что он выводит непрерывную оценку реальности, а не вероятность.
    • «Сэмплер», потому что он генерирует шум
    • «Фильтр», потому что он удаляет плохие изображения.
  3. Почему критик WGAN должен быть ограничен 1-липшицем?
    • Чтобы ускорить обучение на графических процессорах
    • Чтобы уменьшить количество параметров
    • Поскольку двойственность Канторовича-Рубинштейна, используемая для вычисления расстояния Вассерштейна, требует ограниченных градиентов.
    • Чтобы заставить его выводить целые числа
  4. Как первоначальная WGAN реализовала ограничение Липшица?
    • Добавляя отсев
    • Используя только пакетную нормализацию
    • Заморозив генератор
    • Ограничивая вес критика небольшим диапазоном
  5. Какую проблему WGAN заметно уменьшает по сравнению с обычными GAN?
    • Коллапс режима и неинформативная потеря
    • Переоснащение тестового набора
    • Медленная загрузка изображения
    • Чрезмерное использование памяти
  6. Какие улучшения были внесены в WGAN-GP по сравнению с исходной WGAN?
    • Более крупный генератор
    • Штраф за градиент, заменяющий ограничение веса
    • Новый набор данных
    • Награды за обучение с подкреплением
  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