Rehber bağlantılı sınav · Orta Seviye

Üretken Çekişmeli Ağlar Sınavı

Oluşturucu ve ayırıcı rollerini, orijinal GAN ​​girişlerini, rakip geri bildirimi, mod çöküşünü, tarihsel kökenleri, dengeyi ve koşullandırmayı gözden geçirin.

İlgili kılavuz yollarıÜretken Rekabet Ağları
Soru 1 arasında 8

Bir GAN'da birbiriyle yarışan iki ağ nelerdir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Bir GAN'da birbiriyle yarışan iki ağ nelerdir?
    • Bir kodlayıcı ve bir kod çözücü
    • Bir okuyucu ve bir yazar
    • Her zaman aynı fikirde olan iki özdeş kopya
    • Sahte ürünler üreten bir jeneratör ve bunları yargılayan bir ayrımcı
  2. In the original unconditional GAN formulation, what input does the generator transform into a sample?
    • A guaranteed copy of a finished real image
    • Sampled latent noise
    • The discriminator's parameter file
    • A fixed human-written answer key
  3. What adversarial learning signal can reach a GAN generator through its discriminator?
    • Gradients of the generator objective with respect to its parameters
    • A rule that every generated image is correct
    • A prohibition against all conditional image inputs
    • A copy of every discriminator weight as the output image
  4. GAN'da 'mod çöküşü' nedir?
    • Ayırıcı tüm verileri siler
    • Ağın belleği tükeniyor
    • Jeneratör çeşitlilik yerine yalnızca birkaç tekrarlanan çıktı üretir
    • Görüntü çözünürlüğü otomatik olarak iki katına çıkar
  5. Which researchers introduced the GAN framework in the 2014 paper?
    • Alan Turing alone in 1950
    • Ian Goodfellow ve meslektaşları
    • Geoffrey Hinton alone in 2006
    • Yann LeCun alone in 1998
  6. How can a conventional feed-forward GAN generator produce one sample after training?
    • By requiring exactly a thousand discriminator updates at inference
    • By retrieving an unchanged target image in every case
    • Without evaluating any learned computation
    • With one forward evaluation of the generator
  7. At the ideal original GAN equilibrium where generated and real distributions match, what probability does the optimal discriminator assign to an example being real?
    • Zero for every example
    • One for every example
    • One-half
    • A probability greater than one
  8. In the conditional GAN formulation, where can a class label or other condition be supplied?
    • To both the generator and the discriminator
    • Only to an unrelated output filename
    • To neither network by definition
    • Only after all training and generation have finished