Volver al curso
Página siguiente
Quiz Interactivo
¡Pon a prueba tus conocimientos!
1
¿Cuál es el objetivo principal de un modelo generativo en deep learning?
A
Categorizar un nuevo dato de entrada
B
Aprender la distribución de los datos para generar nuevos ejemplos similares
C
Predecir etiquetas para datos de entrada
D
Reducir la dimensionalidad de los datos
2
En una arquitectura GAN, ¿cuál es el rol del discriminador?
A
Generar ejemplos realistas a partir de un vector aleatorio
B
Clasificar si un ejemplo es real o generado por el generador
C
Codificar los datos en un espacio latente regular
D
Añadir ruido a los datos de entrada
3
¿Qué problema mayor puede ocurrir durante el entrenamiento de un GAN, donde el generador produce una baja diversidad de ejemplos?
A
Overfitting
B
Colapso de modo (mode collapse)
C
Gradientes que desaparecen (vanishing gradients)
D
Sobreaprendizaje
4
¿Cuál es la principal diferencia entre un autoencoder clásico y un autoencoder variacional (VAE) en la representación latente?
A
El VAE codifica la entrada en una distribución de probabilidad (media y varianza), mientras que el autoencoder clásico codifica en un solo punto
B
El autoencoder clásico utiliza una función de pérdida más compleja que el VAE
C
El VAE no incluye un decodificador, a diferencia del autoencoder clásico
D
El VAE no puede ser utilizado para la generación de datos
5
¿Qué término se añade a la función de pérdida del VAE para garantizar que el espacio latente siga una distribución normal centrada reducida?
A
Entropía cruzada
B
Error cuadrático medio
C
Divergencia de Kullback-Leibler
D
Pérdida adversaria
6
¿Qué ventaja principal ofrecen los Normalizing Flows en comparación con los GANs y VAE?
A
Su entrenamiento es muy estable y converge más fácilmente
B
Producen imágenes más nítidas que los GANs
C
No necesitan funciones biyectivas
D
Poseen un espacio latente fácilmente interpretable
7
En el proceso de difusión de los Diffusion Models, ¿qué representa el «proceso inverso» (reverse process)?
A
Adición iterativa de ruido gaussiano a la imagen
B
Eliminación iterativa del ruido para reconstruir la imagen original
C
Transformación de la imagen en un vector latente de baja dimensión
D
Clasificación de las imágenes según su ruido
8
¿Qué arquitectura de red se utiliza generalmente en los Diffusion Models para predecir el ruido añadido a una imagen en cada paso?
A
Red completamente conectada (Dense)
B
Red convolucional simple
C
U-Net
D
Transformer estándar
9
¿Cuál es la principal desventaja de los Diffusion Models en comparación con otros modelos generativos como los GANs?
A
Dificultad para generar imágenes realistas
B
Lentitud significativa del proceso de generación
C
Dificultad de entrenamiento e inestabilidad
D
Necesidad de etiquetas durante el entrenamiento
10
En un Conditional GAN (cGAN), ¿cómo se controlan los atributos de las imágenes generadas?
A
Modificando el tamaño del vector aleatorio de entrada del generador
B
Proporcionando una etiqueta o información condicional como entrada al generador y al discriminador
C
Cambiando la función de pérdida utilizada durante el entrenamiento
D
Utilizando un discriminador más profundo
Score: 0/10
Puntuación: 0/10