Вікторина, пов’язана з посібником · Середній Рівень

Тест про прогресивне зростання GAN

Перевірте навчання GAN від грубого до тонкого, симетричне зростання, альфа-плавне затухання, функції пакетної варіації, вирівняні швидкості навчання та пізніше фіксовані архітектури.

Пов'язані напрямні шляхиПрогресивне зростання GAN
Питання 1 з 8

Як прогресивно зростаючий GAN починає навчання?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Як прогресивно зростаючий GAN починає навчання?
    • Негайно з повною цільовою роздільною здатністю
    • З дуже низькою роздільною здатністю, наприклад 4x4 пікселів
    • Шляхом попереднього навчання лише дискримінатора
    • З текстовою підказкою
  2. Яка головна перевага поступового збільшення дозволу?
    • Це робить тренування більш стабільним і швидшим, ніж навчання безпосередньо з високою роздільною здатністю
    • Це усуває потребу в генераторі
    • Це усуває вимогу до набору даних
    • Це гарантує відсутність артефактів
  3. Коли додається новий шар з вищою роздільною здатністю, як він вводиться?
    • Миттєво на повну силу
    • Тільки в дискримінаторі, ніколи в генераторі
    • Плавне згасання за допомогою ваги змішування (альфа), яка змінюється від 0 до 1
    • Перенавчаючи мережу з нуля
  4. Чому до генератора та дискримінатора додаються шари?
    • Тому що сам генератор не може виробляти колір
    • Щоб зменшити розмір набору даних
    • Тільки для візуалізації
    • Щоб дві мережі були симетричними та збалансованими зі збільшенням роздільної здатності
  5. Яка мета шару стандартного відхилення міні-серії, представленого в ProGAN?
    • Щоб збільшити розмір кінцевого зображення
    • Щоб стиснути модель
    • Щоб збільшити вихідні варіації та перешкодити згортанню режиму
    • Щоб позначити навчальні зображення
  6. Який пізніший розвиток зменшив потребу в явному прогресивному зростанні?
    • Винахід дискримінатора
    • StyleGAN2, що показує фіксовану архітектуру з пропусками/залишковими з’єднаннями, може відповідати якості
    • Перехід до зображень у градаціях сірого
    • Повне видалення латентного вектора
  7. At alpha equal to zero during a ProGAN generator fade-in, which path supplies the blended output?
    • Only the newly added block at full strength
    • An unrelated pretrained text encoder
    • A random photograph taken from the test set
    • The previous lower-resolution path after upsampling
  8. What is the original ProGAN equalized-learning-rate method intended to balance?
    • The effective scale of learning across layers through dynamic weight scaling
    • The number of captions assigned to each face image
    • The timestamp of every generated training sample
    • The count of output file formats across batches