แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการเติบโตแบบก้าวหน้าของ GANs
ทดสอบการฝึก GAN แบบหยาบไปละเอียด, การเติบโตแบบสมมาตร, การเฟดอินแบบอัลฟา, ฟีเจอร์ความแปรปรวนของแบตช์, อัตราการเรียนรู้ที่เท่ากัน และสถาปัตยกรรมแบบคงที่ในภายหลัง
คำถาม 1 ของ 8
GAN ที่เติบโตอย่างต่อเนื่องจะเริ่มการฝึกอบรมได้อย่างไร?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- GAN ที่เติบโตอย่างต่อเนื่องจะเริ่มการฝึกอบรมได้อย่างไร?
- ที่ความละเอียดเป้าหมายเต็มทันที
- ที่ความละเอียดต่ำมาก เช่น 4x4 พิกเซล
- โดยอบรมเฉพาะผู้เลือกปฏิบัติเท่านั้น
- พร้อมข้อความแจ้ง
- ประโยชน์หลักๆ ของการเพิ่มความละเอียดอย่างค่อยเป็นค่อยไปคืออะไร?
- ทำให้การฝึกมีความเสถียรและเร็วกว่าการฝึกแบบความละเอียดสูงโดยตรง
- ไม่จำเป็นต้องใช้เครื่องกำเนิดไฟฟ้าอีกต่อไป
- ช่วยลดข้อกำหนดชุดข้อมูล
- รับประกันสิ่งประดิษฐ์เป็นศูนย์
- เมื่อมีการเพิ่มเลเยอร์ที่มีความละเอียดสูงกว่าใหม่ จะมีการนำมาใช้อย่างไร
- เต็มกำลังทันที
- เฉพาะในผู้เลือกปฏิบัติเท่านั้น ไม่เคยเป็นผู้กำเนิด
- ค่อยๆ จางลงด้วยน้ำหนักการผสม (อัลฟา) ที่ลาดจาก 0 เป็น 1
- โดยการฝึกอบรมเครือข่ายใหม่ตั้งแต่ต้น
- เหตุใดจึงมีการเพิ่มเลเยอร์ให้กับทั้งตัวสร้างและตัวแบ่งแยก
- เนื่องจากเครื่องกำเนิดเพียงอย่างเดียวไม่สามารถสร้างสีได้
- เพื่อลดขนาดชุดข้อมูล
- เพื่อวัตถุประสงค์ในการแสดงภาพเท่านั้น
- เพื่อให้ทั้งสองเครือข่ายสมมาตรและสมดุลเมื่อความละเอียดเพิ่มขึ้น
- จุดประสงค์ของเลเยอร์ส่วนเบี่ยงเบนมาตรฐานแบบมินิแบทช์ที่นำมาใช้ใน ProGAN คืออะไร
- เพื่อยกระดับภาพสุดท้าย
- เพื่อบีบอัดโมเดล
- เพื่อเพิ่มความแปรผันของเอาต์พุตและการล่มสลายของโหมดกีดกัน
- เพื่อติดป้ายกำกับภาพการฝึกอบรม
- การพัฒนาอะไรในภายหลังลดความจำเป็นในการเติบโตแบบก้าวหน้าอย่างชัดเจน?
- การประดิษฐ์ผู้เลือกปฏิบัติ
- StyleGAN2 ที่แสดงสถาปัตยกรรมคงที่พร้อมการเชื่อมต่อแบบข้าม/ที่เหลืออาจตรงกับคุณภาพ
- การเปลี่ยนไปใช้ภาพระดับสีเทา
- การลบเวกเตอร์แฝงทั้งหมด
- 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
- 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