Bài kiểm tra có liên kết hướng dẫn · Dễ dàng Cấp độ

Bài kiểm tra GAN có điều kiện

Kiểm tra cách các đầu vào có điều kiện hướng dẫn cả hai mạng GAN, cách các nhà phân biệt đánh giá các cặp phù hợp và cách có thể đưa điều kiện vào.

Đường dẫn hướng dẫn liên quanGAN có điều kiện
Câu hỏi 1 của 8

Sự khác biệt chính giữa GAN có điều kiện và GAN ​​tiêu chuẩn là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Sự khác biệt chính giữa GAN có điều kiện và GAN ​​tiêu chuẩn là gì?
    • Nó cung cấp thêm thông tin như nhãn lớp vào cả hai mạng để kiểm soát đầu ra
    • Nó sử dụng hai máy phát điện
    • Nó loại bỏ sự phân biệt đối xử
    • Nó chỉ hoạt động trên văn bản, không phải hình ảnh
  2. Trong một cGAN được huấn luyện trên các chữ số được gắn nhãn, bạn có thể làm gì mà một GAN đơn giản không thể làm được?
    • Chạy mà không có bất kỳ tiếng ồn đầu vào
    • Yêu cầu một chữ số cụ thể chẳng hạn như '7'
    • Bỏ qua hoàn toàn sự phân biệt đối xử
    • Chỉ tạo ra tiếng ồn đen trắng
  3. Bộ phân biệt đối xử cGAN phải kiểm tra những gì, ngoài việc hình ảnh có trông thật hay không?
    • Định dạng tập tin của hình ảnh
    • Độ phân giải tính bằng megapixel
    • Hình ảnh có khớp với nhãn đã cho hay không
    • Tỷ lệ học tập đào tạo
  4. Cách phổ biến để cung cấp tín hiệu điều hòa cho máy phát điện là gì?
    • Xóa vectơ nhiễu
    • Đào tạo không có nhãn hiệu
    • Sử dụng cảm biến vật lý riêng biệt
    • Ghép nhãn với đầu vào tiếng ồn
  5. GAN có điều kiện đã đặt nền móng cho khả năng nào sau này?
    • Tạo văn bản thành hình ảnh và hình ảnh thành hình ảnh
    • CPU nhanh hơn
    • Lọc thư rác
    • Lập chỉ mục cơ sở dữ liệu
  6. Trong các mô hình khuếch tán hiện đại, ý tưởng điều hòa cGAN thường xuất hiện dưới dạng cơ chế nào?
    • Cắt trọng lượng ngẫu nhiên
    • Chú ý chéo trên lời nhắc văn bản
    • Chỉ vẽ pixel thủ công
    • Tắt lịch trình tiếng ồn
  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