登陆

题目详情

单选题想要生成16个长度为100的随机向量,正确的代码应该为

A. seed = tf.random.normal(16, 100)

B. seed = tf.random.normal((100, 16))

C. seed = tf.random.normal(100, 16)

D. seed = tf.random.normal((16, 100))

生成对抗网络原理与应用课程封面

学科：生成对抗网络原理与应用

时间：2024-10-04 05:31:46

相关题目
相关作业

下列关于GAN的说法,哪一个是错误的

A. 生成器能够不断提高生成逼真样本的能力,而判别器则不断提高辨别真伪样本的能力B. GAN 于 2014 年通过Ian Goodfellow、Yoshua Bengio 和其他蒙特利尔大学研究人员撰写的论文提出C. GAN由两个主要组成部分构成:生成器(Generator)和判别器(Discriminator),这两个部分通过对抗博弈学习的方式相互竞争D. 生成对抗网络(GAN)是一种使用多个神经网络的计算过程,这几个神经网络被视为各自的"对手"

如果要添加批量标准化层,以下哪个代码是正确的

A. tf.layers.dropout(…)B. tf.layers.batch_normalization(…)C. tf.layers.max_pooling2d(…)D. tf.layers.conv2d_transpose(…)

想要生成16个长度为100的随机向量,正确的代码应该为

A. seed = tf.random.normal(16, 100)B. seed = tf.random.normal((100, 16))C. seed = tf.random.normal(100, 16)D. seed = tf.random.normal((16, 100))

在下列批次优化训练函数中,最后两行代码的注释是? @tf.function def train_step(images): noise = tf.random.normal([BATCH_SIZE, noise_dim]) with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape: generated_images = generator(noise, training=True) real_output = discriminator(images, training=True) fake_output = discriminator(generated_images, training=True) gen_loss = generator_loss(fake_output) disc_loss = discriminator_loss(real_output, fake_output) gradients_of_generator = gen_tape.gradient(gen_loss, generator.trainable_variables) gradients_of_discriminator = disc_tape.gradient(disc_loss, discriminator.trainable_variables) generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables)) #注释 discriminator_optimizer.apply_gradients(zip(gradients_of_discriminator, discriminator.trainable_variables)) #注释

A. 求导过程,dy_dx = GradientTap.gradient(y, x),y对x求导,相当于损失函数对变量进行求导B. 调用生成器函数和判别器函数C. 计算损失函数D. 优化过程,apply_gradients根据generator产生的梯度来优化更新对应的variables

关于GAN的工作原理,以下哪个说法是正确的

A. @tf.function 此句代码的意思是将模型以图graph模式运行,将TensorFlow图转换为Python函数,以提高函数的执行效率B. 训练过程中,生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D;而D的目标就是尽量把G生成的图片和真实的图片分别开来C. 在训练过程中,生成器和判别器通过对抗学习相互博弈,在这种对抗学习的过程中,最终两个网络达到了一个静态平衡,对于给定图像的预测为真的概率基本接近 0.5D. GAN 主要用于生成新的、逼真的样本,通常在图像领域,不作用于其他如文本、音频等领域

下列是辨别器的损失函数,请选择正确的判定函数. cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True) def discriminator_loss(real_output, fake_output): real_loss = cross_entropy(tf. (real_output), real_output) fake_loss = cross_entropy(tf. (fake_output), fake_output) total_loss = real_loss + fake_loss return total_loss

A. zeros_like,ones_likeB. ones_like,ones_likeC. zeros_like,zeros_likeD. ones_like,zeros_like

以下哪个激活函数,可以使得输出在[-1,1]之间

A. sigmoid函数B. tanh函数C. leak relu 函数D. relu 函数

判断下列生成器模型是否有错? 第一行:def generator_model(): 第二行: model = tf.keras.Sequential() 第三行: model.add(layers.Dense(512, use_bias=False, input_shape=(100))) 第四行: model.add(layers.BatchNormalization()) 第五行: model.add(layers.LeakyReLU) 第六行: model.add(layers.Dense(28*28*1, use_bias=False, activation='tanh')) 第七行: model.add(layers.BatchNormalization()) 第八行: model.add(layers.Reshape(28, 28, 1)) 第九行: return model

A. 第三行、第五行、第八行有错B. 第五行、第六行、第八行有错C. 第三行、第六行、第八行有错D. 第五行、第八行有错

train_images = (train_images - 127.5) / 127.5 ,这行代码实现的功能是

A. 转换类型并且归一化0到1之间B. 归一化-1到1之间C. 转换类型并且归一化-1到1之间D. 归一化0到1之间

编写生成器的损失函数,以下哪段代码是正确的

A. def generator_loss(fake_output): return cross_entropy(tf.ones_like(fake_output), fake_output)B. def generator_loss(real_output, fake_output): real_loss = cross_entropy(tf.zeros_like(real_output), real_output) fake_loss = cross_entropy(tf.ones_like(fake_output), fake_output) total_loss = real_loss + fake_loss return total_lossC. def generator_loss(fake_output): return cross_entropy(tf.zeros_like(fake_output), fake_output)D. def generator_loss(real_output, fake_output): real_loss = cross_entropy(tf.ones_like(real_output), real_output) fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output) total_loss = real_loss + fake_loss return total_loss

下载题海APP

拍照搜题更快捷

海量题库
无搜索限制
快捷拍照搜题

扫描他！然后带走我～