แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบ Wasserstein GAN
ตรวจสอบระยะทางของ Wasserstein คะแนนวิจารณ์ สภาพของ Lipschitz การตัดน้ำหนัก การลงโทษแบบไล่ระดับ และความเสถียรของการฝึก GAN
คำถาม 1 ของ 8
WGAN ใช้ตัวชี้วัดระยะทางใดเพื่อเปรียบเทียบการแจกแจงจริงและการแจกแจงที่สร้างขึ้น
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- WGAN ใช้ตัวชี้วัดระยะทางใดเพื่อเปรียบเทียบการแจกแจงจริงและการแจกแจงที่สร้างขึ้น
- ระยะห่างของวัสเซอร์สไตน์ (ผู้ขับเคลื่อนดิน)
- ความแตกต่างของคุลล์แบ็ค-ไลเบลอร์
- ความคล้ายคลึงโคไซน์
- ระยะทางพิกเซลแบบยุคลิด
- ใน WGAN เครือข่ายที่เป็นผู้เลือกปฏิบัติถูกเปลี่ยนชื่อเป็น อะไร และเพราะเหตุใด
- 'ผู้พิพากษา' เพราะโหวตว่าใช่หรือไม่ใช่
- 'นักวิจารณ์' เพราะมันให้คะแนนความเป็นจริงอย่างต่อเนื่องมากกว่าความน่าจะเป็น
- 'เครื่องเก็บตัวอย่าง' เพราะมันสร้างเสียงรบกวน
- 'ตัวกรอง' เพราะจะลบภาพที่ไม่ดี
- เหตุใดนักวิจารณ์ WGAN จึงต้องถูกจำกัดให้เป็น 1-Lipschitz
- เพื่อให้ฝึกได้เร็วขึ้นบน GPU
- เพื่อลดจำนวนพารามิเตอร์
- เนื่องจากความเป็นคู่ของคันโตโรวิช-รูบินสไตน์ที่ใช้ในการคำนวณระยะทางวัสเซอร์สไตน์จึงต้องมีการไล่ระดับสีแบบมีขอบเขต
- เพื่อบังคับให้ส่งออกจำนวนเต็ม
- WGAN ดั้งเดิมบังคับใช้ข้อจำกัดของ Lipschitz อย่างไร
- โดยการเพิ่มการออกกลางคัน
- โดยใช้การทำให้เป็นมาตรฐานแบบแบตช์เท่านั้น
- โดยการแช่แข็งเครื่องกำเนิดไฟฟ้า
- โดยการตัดน้ำหนักของนักวิจารณ์ให้เหลือน้อย
- WGAN ลดปัญหาอะไรลงอย่างเห็นได้ชัดเมื่อเทียบกับ vanilla GAN
- โหมดล่มสลายและการสูญเสียที่ไม่มีข้อมูล
- เกินกว่าชุดทดสอบ
- โหลดภาพช้า
- การใช้หน่วยความจำมากเกินไป
- WGAN-GP มีการปรับปรุงอะไรบ้างจาก WGAN ดั้งเดิม?
- เครื่องกำเนิดไฟฟ้าที่ใหญ่กว่า
- การลงโทษแบบไล่ระดับแทนที่การตัดน้ำหนัก
- ชุดข้อมูลใหม่
- รางวัลการเรียนรู้แบบเสริมกำลัง
- 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
- 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