التحقّق من فهمك: تشريح الشبكات التوليدية ال Adversarial
صواب أم خطأ: تؤثر شبكة المميّز وشبكة المولد في
بعضهما البعض فقط من خلال البيانات التي ينشئها المولد والعلامات
التي ينشئها المميّز. أمّا في ما يتعلّق بالانتشار العكسي، فهما
شبكتَان منفصلتَان.
خطأ
الإجابة الصحيحة: أثناء تدريب المُنشئ، تنتشر التدرجات من خلال
شبكة المُميِّز إلى شبكة المُنشئ (على الرغم من أنّ المُميِّز
لا يعدّل أوزانه أثناء تدريب المُنشئ). وبالتالي، تؤثّر الأوزان في
شبكة التمييز في التعديلات التي يتم إجراؤها على شبكة الإنشاء.
True
غير صحيح: أثناء تدريب المُنشئ، تنتشر التدرجات من خلال
شبكة المُميِّز إلى شبكة المُنشئ (على الرغم من أنّ المُميِّز
لا يعدّل أوزانه أثناء تدريب المُنشئ).
صواب أم خطأ: تدرِّب شبكة GAN النموذجية العنصرَين "المنشئ" و"المميِّز"
في الوقت نفسه.
True
إجابة غير صحيحة تتناوب شبكة GAN النموذجية بين تدريب المميّز
وتدريب المولّد. هناك بعض [الأبحاث
](https://arxiv.org/abs/1706.04156) حول تدريب
المولد والمحرِّف في الوقت نفسه.
خطأ
إجابة صحيحة. تتناوب شبكة GAN النموذجية بين تدريب المميّز
وتدريب المولّد.
صواب أم خطأ: تستخدم شبكة GAN دائمًا دالة الخسارة نفسها لكلٍّ من
تدريب العنصر المميّز وتدريب العنصر المُنشئ.
خطأ
إجابة صحيحة. على الرغم من أنّه من الممكن أن تستخدم شبكة GAN الخسارة نفسها لتدريب
كلّ من المُنشئ والمحرِّف (أو الخسارة نفسها التي تختلف فقط
في العلامة)، إلا أنّ ذلك ليس مطلوبًا. في الواقع، من الشائع استخدام
خسارات مختلفة للمُميِّز والمُنشئ.
True
إجابة غير صحيحة على الرغم من أنّه من الممكن أن تستخدم شبكة GAN الخسارة نفسها لتدريب
كلّ من المُنشئ والمحرِّف (أو الخسارة نفسها التي تختلف فقط
في العلامة)، إلا أنّ ذلك ليس مطلوبًا. في الواقع، من الشائع استخدام
خسارات مختلفة للمُميِّز والمُنشئ.
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-02-26 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-02-26 (حسب التوقيت العالمي المتفَّق عليه)"],[[["During generator training, gradients propagate through the discriminator to the generator, influencing its updates."],["A typical GAN alternates between training the discriminator and training the generator, rather than simultaneous training."],["GANs often employ different loss functions for the discriminator and generator, optimizing each network separately."]]],[]]