Вікторина, пов’язана з посібником · Середній Рівень

Вікторина Wasserstein GAN

Перевіряє відстань Вассерштейна, оцінки критиків, стан Ліпшица, обмеження ваги, штраф за градієнт і стабільність навчання GAN.

Пов'язані напрямні шляхиВассерштайн GAN
Питання 1 з 8

Яку метрику відстані використовує WGAN для порівняння реального та згенерованого розподілів?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яку метрику відстані використовує WGAN для порівняння реального та згенерованого розподілів?
    • Відстань Вассерштайна (землекопа).
    • Дивергенція Кульбака-Лейблера
    • Косинус подібність
    • Евклідова піксельна відстань
  2. У WGAN на що перейменовано мережу, яка була дискримінатором, і чому?
    • «Суддя», тому що голосує «за» чи «ні».
    • «Критик», тому що він виводить безперервну оцінку реальності, а не ймовірність
    • «Семплер», оскільки він створює шум
    • «Фільтр», оскільки він видаляє погані зображення
  3. Чому критик WGAN повинен бути 1-ліпшицевим?
    • Щоб він тренувався швидше на GPU
    • Щоб зменшити кількість параметрів
    • Оскільки подвійність Канторовича-Рубінштейна, яка використовується для обчислення відстані Вассерштейна, вимагає обмежених градієнтів
    • Щоб змусити його виводити цілі числа
  4. Як оригінальний WGAN забезпечував дотримання обмеження Ліпшица?
    • Додаванням відсіву
    • Лише за допомогою пакетної нормалізації
    • Шляхом заморожування генератора
    • Обрізаючи ваги критика до невеликого діапазону
  5. Яку проблему значно зменшує WGAN порівняно з ванільними GAN?
    • Згортання режиму та втрата неінформативності
    • Переобладнання до тестового набору
    • Повільне завантаження зображення
    • Надмірне використання пам’яті
  6. Які вдосконалення запровадив WGAN-GP порівняно з оригінальним WGAN?
    • Більший генератор
    • Градієнтне покарання замінює обрізання ваги
    • Новий набір даних
    • Нагороди за навчання з підкріпленням
  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