引导式测验 · 中等 等级

变分自动编码器测验

回顾 VAE 分布、重新参数化、KL 正则化、ELBO 训练、采样和潜在扩散使用。检查证据和范围。

相关引导路径变分自动编码器
问题 1 的 8

对于给定的输入，VAE 中的编码器输出什么？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 对于给定的输入，VAE 中的编码器输出什么？
    • 概率分布的参数，例如均值和方差
    • 潜在空间中的单个固定点
    • 一个类标签
    • 输入的重构副本
  2. 重新参数化技巧的目的是什么？
    • 使解码器更大
    • 允许梯度流过随机采样步骤
    • 消除对解码器的需要
    • 进一步压缩潜在空间
  3. 在标准高斯 VAE 公式中，KL 项鼓励什么？
    • The decoder to predict future input tokens
    • The encoder to remove all randomness
    • The approximate posterior to stay close to the chosen prior, commonly a standard normal
    • Every latent variable to have the same observed value
  4. VAE 在训练期间最大化的目标函数称为：
    • 交叉熵上限
    • 对抗性损失
    • 均方余量
    • 证据下限 (ELBO)
  5. 在高斯 VAE 中，什么能够生成新样本？
    • Sample a latent from the prior and decode it with the learned decoder
    • Copy a training image directly without a model
    • Run the encoder backward with no latent sampling
    • Choose a random class label without decoding
  6. 在稳定扩散这样的潜在扩散模型中，VAE 发挥什么作用？
    • 它标记训练图像
    • 它将图像压缩到扩散运行的潜在空间，然后解码回像素
    • 它取代了文本编码器
    • 它安排噪音水平
  7. In variational inference, what does the ELBO provide for the marginal log likelihood log p(x)?
    • An exact value of log p(x) for every model
    • A guarantee that each generated sample is realistic
    • A tractable lower bound that can be maximized instead of directly maximizing log p(x)
    • A posterior distribution that requires no inference model
  8. What distribution does a VAE decoder model given a latent vector?
    • The encoder’s approximate posterior q(z|x)
    • The training set’s class-frequency histogram only
    • The optimizer’s learning-rate schedule
    • The likelihood of an observation conditioned on that latent, p(x|z)