แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการเติบโตแบบก้าวหน้าของ GANs

ทดสอบการฝึก GAN แบบหยาบไปละเอียด, การเติบโตแบบสมมาตร, การเฟดอินแบบอัลฟา, ฟีเจอร์ความแปรปรวนของแบตช์, อัตราการเรียนรู้ที่เท่ากัน และสถาปัตยกรรมแบบคงที่ในภายหลัง

เส้นทางแนะนำที่เกี่ยวข้องการปลูก GAN อย่างก้าวหน้า
คำถาม 1 ของ 8

GAN ที่เติบโตอย่างต่อเนื่องจะเริ่มการฝึกอบรมได้อย่างไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. GAN ที่เติบโตอย่างต่อเนื่องจะเริ่มการฝึกอบรมได้อย่างไร?
    • ที่ความละเอียดเป้าหมายเต็มทันที
    • ที่ความละเอียดต่ำมาก เช่น 4x4 พิกเซล
    • โดยอบรมเฉพาะผู้เลือกปฏิบัติเท่านั้น
    • พร้อมข้อความแจ้ง
  2. ประโยชน์หลักๆ ของการเพิ่มความละเอียดอย่างค่อยเป็นค่อยไปคืออะไร?
    • ทำให้การฝึกมีความเสถียรและเร็วกว่าการฝึกแบบความละเอียดสูงโดยตรง
    • ไม่จำเป็นต้องใช้เครื่องกำเนิดไฟฟ้าอีกต่อไป
    • ช่วยลดข้อกำหนดชุดข้อมูล
    • รับประกันสิ่งประดิษฐ์เป็นศูนย์
  3. เมื่อมีการเพิ่มเลเยอร์ที่มีความละเอียดสูงกว่าใหม่ จะมีการนำมาใช้อย่างไร
    • เต็มกำลังทันที
    • เฉพาะในผู้เลือกปฏิบัติเท่านั้น ไม่เคยเป็นผู้กำเนิด
    • ค่อยๆ จางลงด้วยน้ำหนักการผสม (อัลฟา) ที่ลาดจาก 0 เป็น 1
    • โดยการฝึกอบรมเครือข่ายใหม่ตั้งแต่ต้น
  4. เหตุใดจึงมีการเพิ่มเลเยอร์ให้กับทั้งตัวสร้างและตัวแบ่งแยก
    • เนื่องจากเครื่องกำเนิดเพียงอย่างเดียวไม่สามารถสร้างสีได้
    • เพื่อลดขนาดชุดข้อมูล
    • เพื่อวัตถุประสงค์ในการแสดงภาพเท่านั้น
    • เพื่อให้ทั้งสองเครือข่ายสมมาตรและสมดุลเมื่อความละเอียดเพิ่มขึ้น
  5. จุดประสงค์ของเลเยอร์ส่วนเบี่ยงเบนมาตรฐานแบบมินิแบทช์ที่นำมาใช้ใน ProGAN คืออะไร
    • เพื่อยกระดับภาพสุดท้าย
    • เพื่อบีบอัดโมเดล
    • เพื่อเพิ่มความแปรผันของเอาต์พุตและการล่มสลายของโหมดกีดกัน
    • เพื่อติดป้ายกำกับภาพการฝึกอบรม
  6. การพัฒนาอะไรในภายหลังลดความจำเป็นในการเติบโตแบบก้าวหน้าอย่างชัดเจน?
    • การประดิษฐ์ผู้เลือกปฏิบัติ
    • StyleGAN2 ที่แสดงสถาปัตยกรรมคงที่พร้อมการเชื่อมต่อแบบข้าม/ที่เหลืออาจตรงกับคุณภาพ
    • การเปลี่ยนไปใช้ภาพระดับสีเทา
    • การลบเวกเตอร์แฝงทั้งหมด
  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