درک خود را بررسی کنید: GAN Anatomy

درست یا نادرست: شبکه تفکیک کننده و شبکه تولید کننده تنها از طریق داده های تولید شده توسط مولد و برچسب های تولید شده توسط متمایز کننده بر یکدیگر تأثیر می گذارند. وقتی صحبت از انتشار پس‌انداز می‌شود، آنها شبکه‌های جداگانه‌ای هستند.

نادرست

صحیح: در طول آموزش ژنراتور، گرادیان ها از طریق شبکه تفکیک کننده به شبکه ژنراتور انتشار می یابند (اگرچه تشخیص دهنده وزن های خود را در طول آموزش ژنراتور به روز نمی کند). بنابراین وزن‌ها در شبکه تفکیک‌کننده بر به‌روزرسانی‌های شبکه ژنراتور تأثیر می‌گذارند.

درست است

نادرست: در طول آموزش ژنراتور، گرادیان ها از طریق شبکه تفکیک کننده به شبکه ژنراتور انتشار می یابند (اگرچه تشخیص دهنده وزن های خود را در طول آموزش ژنراتور به روز نمی کند).

درست یا نادرست: یک GAN معمولی ژنراتور و تمایزکننده را به طور همزمان آموزش می دهد.

نادرست

درست است. یک GAN معمولی به طور متناوب بین آموزش تشخیص دهنده و آموزش مولد انجام می شود.

درست است

نادرست است. یک GAN معمولی به طور متناوب بین آموزش تشخیص دهنده و آموزش مولد انجام می شود. برخی [تحقیقات] (https://arxiv.org/abs/1706.04156) در مورد آموزش مولد و تمایز به طور همزمان وجود دارد.

درست یا نادرست: یک GAN همیشه از یک تابع از دست دادن برای آموزش تشخیصگر و مولد استفاده می کند.

درست است

نادرست است. در حالی که ممکن است یک GAN از ضرر یکسانی برای آموزش مولد و تمایز استفاده کند (یا همان تلفات فقط در علامت متفاوت است)، نیازی به این کار نیست. در واقع استفاده از تلفات مختلف برای تشخیص دهنده و مولد رایج تر است.

نادرست

درست است. در حالی که ممکن است یک GAN از ضرر یکسانی برای آموزش مولد و تمایز استفاده کند (یا همان تلفات فقط در علامت متفاوت است)، نیازی به این کار نیست. در واقع استفاده از تلفات مختلف برای تشخیص دهنده و مولد رایج تر است.