Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Wasserstein GAN

Hukagua umbali wa Wasserstein, alama za wakosoaji, hali ya Lipschitz, kupunguza uzito, adhabu ya kushuka na uthabiti wa mafunzo ya GAN.

Njia za mwongozo zinazohusianaWasserstein GAN
Swali 1 ya 8

WGAN hutumia metriki gani ya umbali kulinganisha usambazaji halisi na unaozalishwa?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. WGAN hutumia metriki gani ya umbali kulinganisha usambazaji halisi na unaozalishwa?
    • Umbali wa Wasserstein (arth-mover's).
    • Tofauti ya Kullback-Leibler
    • Kufanana kwa Cosine
    • Umbali wa saizi ya Euclidean
  2. Katika WGAN, mtandao ambao ulikuwa kibaguzi unabadilishwa jina na nini, na kwa nini?
    • 'Jaji' kwa sababu inapiga kura ya ndiyo au hapana
    • 'Mkosoaji' kwa sababu hutoa alama ya uhalisia endelevu badala ya uwezekano
    • 'Sampler' kwa sababu hutoa kelele
    • 'Chujio' kwa sababu huondoa picha mbaya
  3. Kwa nini mkosoaji wa WGAN alazimishwe kuwa 1-Lipschitz?
    • Ili kuifanya ifanye mazoezi haraka kwenye GPU
    • Ili kupunguza idadi ya vigezo
    • Kwa sababu uwili wa Kantorovich-Rubinstein uliotumika kukokotoa umbali wa Wasserstein unahitaji gradient zilizo na mipaka.
    • Ili kuilazimisha kutoa nambari kamili
  4. Je, WGAN ya awali ilitekeleza vipi kikwazo cha Lipschitz?
    • Kwa kuongeza kuacha
    • Kwa kutumia urekebishaji wa kundi pekee
    • Kwa kufungia jenereta
    • Kwa kupunguza uzani wa mkosoaji hadi safu ndogo
  5. Ni shida gani ambayo WGAN inapunguza haswa ikilinganishwa na GAN za vanilla?
    • Kuanguka kwa hali na upotezaji usio na habari
    • Kuzidisha kwa seti ya majaribio
    • Upakiaji wa picha polepole
    • Matumizi ya kumbukumbu kupita kiasi
  6. WGAN-GP ilianzisha uboreshaji gani juu ya WGAN asili?
    • Jenereta kubwa zaidi
    • Adhabu ya upinde rangi ikichukua nafasi ya kukata uzani
    • Seti mpya ya data
    • Zawadi za mafunzo ya kuimarisha
  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