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。
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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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