Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Câu đố về sự phát triển lũy tiến của GAN

Kiểm tra quá trình đào tạo GAN từ thô đến mịn, tăng trưởng đối xứng, tăng dần alpha, các tính năng biến đổi hàng loạt, tốc độ học tập cân bằng và các kiến ​​trúc cố định sau này.

Đường dẫn hướng dẫn liên quanPhát triển tiến bộ các GANs
Câu hỏi 1 của 8

Làm thế nào để một GAN phát triển dần dần bắt đầu đào tạo?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Làm thế nào để một GAN phát triển dần dần bắt đầu đào tạo?
    • Ở độ phân giải mục tiêu đầy đủ ngay lập tức
    • Ở độ phân giải rất thấp chẳng hạn như 4x4 pixel
    • Bằng cách chỉ đào tạo trước người phân biệt đối xử
    • Với lời nhắc văn bản
  2. Lợi ích chính của việc tăng dần độ phân giải là gì?
    • Nó làm cho việc đào tạo ổn định hơn và nhanh hơn so với đào tạo trực tiếp ở độ phân giải cao
    • Nó loại bỏ sự cần thiết của một máy phát điện
    • Nó loại bỏ yêu cầu về dữ liệu
    • Nó đảm bảo không có hiện vật
  3. Khi một lớp mới có độ phân giải cao hơn được thêm vào, nó được giới thiệu như thế nào?
    • Ngay lập tức với toàn bộ sức mạnh
    • Chỉ có trong bộ phân biệt đối xử, không bao giờ có trong bộ tạo
    • Làm mờ dần với trọng lượng hòa trộn (alpha) tăng dần từ 0 đến 1
    • Bằng cách đào tạo lại mạng từ đầu
  4. Tại sao các lớp được thêm vào cả trình tạo và trình phân biệt đối xử?
    • Bởi vì chỉ riêng máy phát điện không thể tạo ra màu sắc
    • Để giảm kích thước tập dữ liệu
    • Chỉ dành cho mục đích trực quan
    • Để giữ cho hai mạng đối xứng và cân bằng khi độ phân giải tăng lên
  5. Mục đích của lớp độ lệch chuẩn minibatch được giới thiệu trong ProGAN là gì?
    • Để nâng cấp hình ảnh cuối cùng
    • Để nén mô hình
    • Để tăng sự thay đổi đầu ra và ngăn chặn sự sụp đổ của chế độ
    • Để gắn nhãn cho hình ảnh đào tạo
  6. Sự phát triển nào sau này đã làm giảm nhu cầu phát triển lũy tiến rõ ràng?
    • Sự phát minh của người phân biệt đối xử
    • StyleGAN2 hiển thị kiến trúc cố định với các kết nối bỏ qua/dư lượng có thể phù hợp với chất lượng
    • Chuyển sang hình ảnh thang độ xám
    • Loại bỏ hoàn toàn vectơ tiềm ẩn
  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