Вікторина, пов’язана з посібником · легко Рівень

Вікторина щодо умовних GAN

Перевіряє, як умовні вхідні дані керують обома мережами GAN, як дискримінатори оцінюють відповідні пари та як можна ввести кондиціонування.

Пов'язані напрямні шляхиУмовні GAN
Питання 1 з 8

У чому головна відмінність між умовним GAN і стандартним GAN?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. У чому головна відмінність між умовним GAN і стандартним GAN?
    • Він передає додаткову інформацію, наприклад мітку класу, в обидві мережі, щоб контролювати вихід
    • Він використовує два генератори
    • Він видаляє дискримінатор
    • Він працює лише з текстом, а не із зображеннями
  2. У cGAN, навченому на мічених цифрах, що ви можете зробити, чого не може звичайний GAN?
    • Працюйте без шуму
    • Запитайте конкретну цифру, наприклад "7"
    • Повністю пропустіть дискримінатор
    • Створення лише чорно-білого шуму
  3. Що повинен перевірити дискримінатор cGAN, крім того, чи виглядає зображення справжнім?
    • Формат файлу зображення
    • Роздільна здатність в мегапікселях
    • Чи відповідає зображення вказаній мітці
    • Швидкість тренувального навчання
  4. Який поширений спосіб подачі сигналу кондиціювання на генератор?
    • Видалення вектора шуму
    • Навчання без написів
    • Використання окремого фізичного датчика
    • З’єднання мітки з шумовим входом
  5. Умовні GAN заклали основу для якої подальшої можливості?
    • Генерація тексту в зображення та зображення в зображення
    • Швидші процесори
    • Фільтрація спаму
    • Індексація бази даних
  6. У сучасних моделях дифузії ідея кондиціонування cGAN часто виглядає як механізм?
    • Випадкове відсікання ваги
    • Перехресна увага на текстовій підказці
    • Лише ручне піксельне фарбування
    • Відключення розкладу шуму
  7. Why must a conditional discriminator see both the generated image and its conditioning label?
    • It uses the label to choose the learning-rate schedule
    • It converts the label into a random noise seed only
    • It needs to judge whether the image is realistic and whether it matches the requested condition
    • It prevents the generator from receiving noise
  8. Besides concatenating a class label to the noise vector, which conditioning method is described in the guide?
    • A spectral-radius constraint
    • An inverse Hessian update
    • A sequence-level BLEU reward
    • A projection layer that scores compatibility between label and image features