แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการแปลภาพเป็นภาพ Pix2Pix
ตรวจสอบข้อกำหนดการจับคู่ข้อมูลของ Pix2Pix, ตัวสร้าง U-Net, ตัวแบ่งแยก PatchGAN และบทบาทเสริมของฝ่ายตรงข้ามและการสูญเสีย L1
คำถาม 1 ของ 8
Pix2Pix ต้องการข้อมูลการฝึกอบรมประเภทใด
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- Pix2Pix ต้องการข้อมูลการฝึกอบรมประเภทใด
- ตัวอย่างภาพอินพุต-เอาท์พุตที่จับคู่กัน
- ไม่มีข้อมูลเลย
- คำบรรยายข้อความเท่านั้น
- การบันทึกเสียง
- Pix2Pix ใช้สถาปัตยกรรมตัวสร้างแบบใด
- เครือข่ายที่เชื่อมต่อแบบธรรมดา
- U-Net พร้อมการเชื่อมต่อแบบข้าม
- เครือข่ายที่เกิดซ้ำ
- ต้นไม้การตัดสินใจ
- ตัวแยกแยะ PatchGAN ใน Pix2Pix ประเมินอะไร
- ทั้งภาพเป็นคะแนนเดียวทั่วโลก
- ขนาดไฟล์ภาพ
- ความสมจริงของแพตช์รูปภาพท้องถิ่นขนาดเล็ก
- เวลาฝึกซ้อม
- เหตุใด Pix2Pix จึงเพิ่มการสูญเสีย L1 ควบคู่ไปกับการสูญเสียฝ่ายตรงข้าม?
- เพื่อชะลอการฝึกอย่างตั้งใจ
- เพื่อขจัดการเลือกปฏิบัติ
- เพื่อสร้างเสียงรบกวนแบบสุ่ม
- To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
- เหตุใดการเชื่อมต่อข้าม U-Net จึงมีประโยชน์อย่างยิ่งสำหรับงานแปล
- พวกเขาส่งผ่านโครงสร้างที่ใช้ร่วมกันเช่น Edge ทั่วทั้งเครือข่ายโดยตรง
- พวกเขาลบเลเยอร์ที่ไม่จำเป็น
- พวกเขาแปลงรูปภาพเป็นข้อความ
- พวกเขาลดขนาดชุดข้อมูล
- รุ่นใดที่ขยาย Pix2Pix เพื่อเรียนรู้จากคอลเลกชันรูปภาพที่ไม่ได้จับคู่
- เรสเน็ต
- CycleGAN
- เบิร์ต
- Word2Vec
- Why can a PatchGAN discriminator encourage sharper local image texture?
- It predicts the input labels directly
- It replaces the generator’s U-Net
- It judges realism in small image patches rather than only scoring the whole image
- It computes only global color histograms
- In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
- The learning-rate warmup
- The GAN’s random seed
- The PatchGAN receptive-field count
- The L1 pixel-difference loss