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

Câu đố GAN của Wasserstein

Kiểm tra khoảng cách Wasserstein, điểm phê bình, điều kiện Lipschitz, cắt giảm trọng lượng, hình phạt độ dốc và độ ổn định khi luyện tập GAN.

Đường dẫn hướng dẫn liên quanGAN Wasserstein
Câu hỏi 1 của 8

WGAN sử dụng số liệu khoảng cách nào để so sánh các phân phối thực và được tạo ra?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. WGAN sử dụng số liệu khoảng cách nào để so sánh các phân phối thực và được tạo ra?
    • Khoảng cách Wasserstein (người làm đất)
    • Phân kỳ Kullback-Leibler
    • Độ tương tự cosin
    • Khoảng cách pixel Euclide
  2. Trong WGAN, mạng phân biệt đối xử được đổi tên thành cái gì và tại sao?
    • Một 'thẩm phán' vì nó bỏ phiếu có hoặc không
    • Một 'nhà phê bình' vì nó đưa ra điểm thực tế liên tục thay vì xác suất
    • Một 'máy lấy mẫu' vì nó tạo ra tiếng ồn
    • Một 'bộ lọc' vì nó loại bỏ những hình ảnh xấu
  3. Tại sao nhà phê bình WGAN phải bị ràng buộc là 1-Lipschitz?
    • Để làm cho nó đào tạo nhanh hơn trên GPU
    • Để giảm số lượng tham số
    • Bởi vì đối ngẫu Kantorovich-Rubinstein được sử dụng để tính khoảng cách Wasserstein yêu cầu độ dốc giới hạn
    • Để buộc nó xuất số nguyên
  4. WGAN ban đầu thực thi ràng buộc Lipschitz như thế nào?
    • Bằng cách thêm bỏ học
    • Bằng cách chỉ sử dụng chuẩn hóa hàng loạt
    • Bằng cách đóng băng máy phát điện
    • Bằng cách cắt giảm trọng lượng của nhà phê bình xuống một phạm vi nhỏ
  5. WGAN giảm đáng kể vấn đề gì so với GAN thông thường?
    • Chế độ sụp đổ và mất thông tin
    • Trang bị quá mức cho bộ thử nghiệm
    • Tải hình ảnh chậm
    • Sử dụng bộ nhớ quá mức
  6. WGAN-GP đã giới thiệu cải tiến gì so với WGAN ban đầu?
    • Máy phát điện lớn hơn
    • Một hình phạt độ dốc thay thế việc cắt giảm trọng lượng
    • Một tập dữ liệu mới
    • Phần thưởng học tập củng cố
  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