A.判别器模型梯度更新依赖于生成器模型
B.生成器模型梯度更新依赖于判别器模型
C.根据输入数据的特征,预测输入数据的标签
D.生成器和判别器不可以是神经网络模型
第1题
A.判别器模型梯度更新依赖于生成器模型
B.生成器模型梯度更新依赖于判别器模型
C.根据输入数据的特征,预测输入数据的标签
D.生成器和判别器不可以是神经网络模型
第2题
A.生成对抗网络包括两部分,即生成器和判别器
B.生成对抗网络的判别器进行训练时,其输入为生成器生成的图像和来自训练集中的真实图像,并对其进行判别
C.生成对抗网络的生成器从随机噪声中生成图像(随机噪声通常从均匀分布或高斯分布中获取)
D.既然生成对抗网络是无监督模型,则不需要任何训练数据
第3题
A.生成对抗网络包括两部分,即生成器和判别器
B.生成对抗网络的判别器进行训练时,其输入为生成器生成的图像和来自训练集中的真实图像,并对其进行判别
C.生成对抗网络的生成器从随机噪声中生成图像(随机噪声通常从均匀分布或高斯分布中获取)
D.既然生成对抗网络是无监督模型,则不需要任何训练数据
第4题
A.生成式模型模拟概率分布时,常用“后验分布”
B.用生成式模型根据少量样本来估计整个类型的概率特征是很困难的
C.判别式模型对问题本质缺乏了解,无法从个例中抽象出整体概念
D.生成对抗网络结合了生成模型和判别模型
第6题
A.生成器:在给定输入数据时,理解输入,生成类似的输入
B.判别器:在给定输入数据时,理解输入,生成类似的输入
C.生成器:预测未知样本分类
D.判别器:预测未知样本分类
第7题
A.生成对抗是一类具体的模型,同时也是一种解决问题的思路,具有强大的可塑性
B.判别式模型直接预测类别,应用简便,但适应性差
C.生成式模型通过大量样本得到概率函数,进而采样生成新的样本,但在少量样本的情况下很难对类型进行准确的概率估计
D.当GAN中的判别器无法再判断生成器生成的样本的真假时,认为生成器就具有了模拟真实样本的能力
第8题
第10题
A.生成器要最小化判别模型D的判别准确率,而判别器要尽量最大化真假分类准确率
B.训练GAN要达到生成器和判别器的博弈平衡,因此GAN的代价函数需要综合考虑两者的性能
C.通过交替训练判别器和生成器,不断提高两者的性能,使两者的性能达到某个平衡点
D.一般来说,GAN通过训练总能达到代价函数的极小值
为了保护您的账号安全,请在“赏学吧”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!