Rehber bağlantılı sınav · Orta Seviye

Wasserstein GAN Sınavı

Wasserstein mesafesini, kritik puanlarını, Lipschitz durumunu, ağırlık kesmeyi, eğim cezasını ve GAN antrenman stabilitesini kontrol eder.

İlgili kılavuz yollarıWasserstein GAN
Soru 1 arasında 8

WGAN gerçek ve oluşturulan dağıtımları karşılaştırmak için hangi mesafe ölçümünü kullanıyor?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. WGAN gerçek ve oluşturulan dağıtımları karşılaştırmak için hangi mesafe ölçümünü kullanıyor?
    • Wasserstein (hafriyatçının) mesafesi
    • Kullback-Leibler ayrılığı
    • Kosinüs benzerliği
    • Öklid piksel mesafesi
  2. WGAN'da ayrımcı olan ağın adı ne olarak değiştirildi ve neden?
    • 'Yargıç' çünkü evet ya da hayır oyu veriyor
    • Bir 'eleştirmen' çünkü olasılık yerine sürekli bir gerçeklik puanı veriyor
    • Bir 'örnekleyici' çünkü gürültü üretir
    • Kötü görüntüleri ortadan kaldırdığı için bir 'filtre'
  3. WGAN eleştirmeni neden 1-Lipschitz ile sınırlandırılmak zorunda?
    • GPU'larda daha hızlı eğitilmesini sağlamak için
    • Parametre sayısını azaltmak için
    • Çünkü Wasserstein mesafesini hesaplamak için kullanılan Kantorovich-Rubinstein ikiliği sınırlı gradyanlar gerektirir
    • Tam sayıların çıktısını almaya zorlamak için
  4. Orijinal WGAN Lipschitz kısıtlamasını nasıl uyguladı?
    • Bırakma ekleyerek
    • Yalnızca toplu normalleştirmeyi kullanarak
    • Jeneratörün dondurulmasıyla
    • Eleştirmenin ağırlıklarını küçük bir aralığa indirerek
  5. WGAN, sıradan GAN'lara kıyasla hangi sorunu belirgin şekilde azaltıyor?
    • Modun çökmesi ve bilgi vermeyen kayıp
    • Test setine aşırı uyum
    • Yavaş resim yükleme
    • Aşırı bellek kullanımı
  6. WGAN-GP, orijinal WGAN'a göre nasıl bir gelişme sağladı?
    • Daha büyük bir jeneratör
    • Ağırlık kırpmanın yerini alan bir degrade cezası
    • Yeni bir veri kümesi
    • Takviyeli öğrenme ödülleri
  7. 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
  8. 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