Wasserstein GAN کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. حقیقی اور پیدا شدہ تقسیم کا موازنہ کرنے کے لیے WGAN کس فاصلاتی میٹرک کا استعمال کرتا ہے؟
   • واسرسٹین (زمین سے چلنے والا) فاصلہ
   • کل بیک-لیبلر ڈائیورجنس
   • کوزائن مماثلت
   • یوکلیڈین پکسل کا فاصلہ
2. WGAN میں، جو نیٹ ورک امتیازی سلوک کرتا تھا، اس کا نام بدل کر کیا رکھا گیا ہے، اور کیوں؟
   • ایک 'جج' کیونکہ یہ ہاں یا نہیں میں ووٹ دیتا ہے۔
   • ایک 'تنقید' کیونکہ یہ امکان کے بجائے مستقل حقیقت کا سکور نکالتا ہے۔
   • ایک 'سیمپلر' کیونکہ یہ شور پیدا کرتا ہے۔
   • ایک 'فلٹر' کیونکہ یہ خراب تصاویر کو ہٹاتا ہے۔
3. WGAN نقاد کو 1-Lipschitz ہونے پر کیوں مجبور کیا جانا چاہئے؟
   • اسے GPUs پر تیز تر ٹرین بنانے کے لیے
   • پیرامیٹرز کی تعداد کو کم کرنے کے لئے
   • کیونکہ کینٹورووچ-روبنسٹائن ڈوئلٹی جو واسرسٹین فاصلے کی گنتی کے لیے استعمال ہوتی ہے اس کے لیے پابند میلان کی ضرورت ہوتی ہے۔
   • اسے آؤٹ پٹ انٹیجرز پر مجبور کرنے کے لیے
4. اصل WGAN نے Lipschitz کی پابندی کو کیسے نافذ کیا؟
   • ڈراپ آؤٹ شامل کرکے
   • صرف بیچ نارملائزیشن کا استعمال کرکے
   • جنریٹر کو منجمد کرکے
   • نقاد کے وزن کو ایک چھوٹی سی حد تک تراش کر
5. ونیلا GANs کے مقابلے WGAN خاص طور پر کیا مسئلہ کم کرتا ہے؟
   • موڈ کا خاتمہ اور غیر معلوماتی نقصان
   • ٹیسٹ سیٹ پر اوور فٹنگ
   • تصویر کی سست لوڈنگ
   • یادداشت کا زیادہ استعمال
6. WGAN-GP نے اصل WGAN پر کیا بہتری متعارف کرائی؟
   • ایک بڑا جنریٹر
   • وزن تراشنے کی جگہ ایک تدریجی جرمانہ
   • ایک نیا ڈیٹا سیٹ
   • کمک سیکھنے کے انعامات
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