引导式测验 · 中等 等级

Wasserstein GAN 测验

检查 Wasserstein 距离、批评分数、Lipschitz 条件、权重裁剪、梯度惩罚和 GAN 训练稳定性。

相关引导路径瓦瑟斯坦 GAN
问题 1 的 8

WGAN 使用什么距离度量来比较真实分布和生成分布？

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. WGAN 使用什么距离度量来比较真实分布和生成分布？
    • Wasserstein（推土机）距离
    • 库尔贝克-莱布勒散度
    • 余弦相似度
    • 欧氏像素距离
  2. 在 WGAN 中，鉴别器网络被重命名为什么，为什么？
    • 一个“法官”，因为它投票赞成或反对
    • 一个“批评者”，因为它输出连续的真实性分数而不是概率
    • “采样器”，因为它会产生噪音
    • “过滤器”，因为它可以删除不良图像
  3. 为什么 WGAN 批评者必须被限制为 1-Lipschitz？
    • 让它在 GPU 上训练得更快
    • 减少参数数量
    • 因为用于计算 Wasserstein 距离的 Kantorovich-Rubinstein 对偶性需要有界梯度
    • 强制它输出整数
  4. 最初的 WGAN 如何强制执行 Lipschitz 约束？
    • 通过添加辍学
    • 仅使用批量归一化
    • 通过冷冻发电机
    • 通过将批评者的权重限制在一个较小的范围内
  5. 与普通 GAN 相比，WGAN 显着减少了哪些问题？
    • 模式崩溃和无信息损失
    • 过度拟合测试集
    • 图片加载缓慢
    • 内存使用过多
  6. WGAN-GP相对于原来的WGAN有哪些改进？
    • 更大的发电机
    • 梯度惩罚取代权重裁剪
    • 一个新的数据集
    • 强化学习奖励
  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