Вікторина, пов’язана з посібником · Середній Рівень

Тест про генеративні змагальні мережі

Ознайомтеся з ролями генератора та дискримінатора, оригінальними вхідними даними GAN, протилежним зворотним зв’язком, згортанням режиму, історичним походженням, рівновагою та кондиціонуванням.

Пов'язані напрямні шляхиГенеративні змагальні мережі
Питання 1 з 8

Що таке дві конкуруючі мережі в GAN?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що таке дві конкуруючі мережі в GAN?
    • Кодер і декодер
    • Читач і письменник
    • Два однакових примірника, які завжди збігаються
    • Генератор, який робить фейки, і дискримінатор, який їх оцінює
  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. Що таке «згортання режиму» в GAN?
    • Дискримінатор видаляє всі дані
    • У мережі бракує пам’яті
    • Генератор створює лише кілька повторюваних виходів замість різноманітності
    • Роздільна здатність зображення подвоюється автоматично
  5. Which researchers introduced the GAN framework in the 2014 paper?
    • Alan Turing alone in 1950
    • Ян Гудфеллоу та його колеги
    • 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