引導式測驗 · 中等 等級

GAN 測驗的漸進式成長

測試從粗到細的 GAN 訓練、對稱增長、alpha 淡入、批量變化特徵、均衡學習率以及後來的固定架構。

相關引導路徑GAN的漸進式生長
問題 1 的 8

逐漸成長的 GAN 如何開始訓練?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 逐漸成長的 GAN 如何開始訓練?
    • 立即達到完整目標分辨率
    • 解析度非常低,例如 4x4 像素
    • 僅預訓練判別器
    • 有文字提示
  2. 逐漸提高解析度的主要好處是什麼?
    • 使得訓練比直接高解析度訓練更穩定、更快
    • 它消除了對發電機的需要
    • 它消除了數據集要求
    • 它保證零偽影
  3. 當添加新的更高解析度層時,它是如何引入的?
    • 瞬間充滿力量
    • 僅在判別器中,從不在生成器中
    • 使用從 0 漸變到 1 的混合權重 (alpha) 平滑淡入
    • 透過從頭開始重新訓練網絡
  4. 為什麼要在生成器和鑑別器中添加層?
    • 因為生成器本身無法產生顏色
    • 減小資料集大小
    • 僅用於可視化目的
    • 隨著解析度的增加,保持兩個網路對稱和平衡
  5. ProGAN 中引入小批量標準差層的目的是什麼?
    • 升級最終影像
    • 壓縮模型
    • 增加輸出變化並阻止模式崩潰
    • 標記訓練影像
  6. 後來的哪些發展減少了對明確漸進式生長的需求?
    • 鑑別器的發明
    • StyleGAN2 顯示具有跳過/剩餘連接的固定架構可以匹配質量
    • 切換到灰階影像
    • 完全去除潛在向量
  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