Retour aux cours
Page suivante
QCM Interactif
Testez vos connaissances !
1
Quel est l'objectif principal d'un modèle génératif en deep learning ?
A
Catégoriser une nouvelle donnée d'entrée
B
Apprendre la distribution des données pour générer de nouveaux exemples similaires
C
Prédire des labels pour des données d'entrée
D
Réduire la dimensionnalité des données
2
Dans une architecture GAN, quel est le rôle du discriminateur ?
A
Générer des exemples réalistes à partir d'un vecteur aléatoire
B
Classifier si un exemple est réel ou généré par le générateur
C
Encoder les données dans un espace latent régulier
D
Ajouter du bruit aux données d'entrée
3
Quel problème majeur peut survenir lors de l'entraînement d'un GAN, où le générateur produit une faible diversité d'exemples ?
A
Overfitting
B
Mode collapse
C
Vanishing gradients
D
Sur-apprentissage
4
Quelle est la principale différence entre un autoencodeur classique et un autoencodeur variationnel (VAE) dans la représentation latente ?
A
Le VAE encode l'entrée en une distribution de probabilité (moyenne et variance) alors que l'autoencodeur classique encode en un seul point
B
L'autoencodeur classique utilise une fonction de perte plus complexe que le VAE
C
Le VAE ne comporte pas de décodeur contrairement à l'autoencodeur classique
D
Le VAE ne peut pas être utilisé pour la génération de données
5
Quel terme est ajouté à la fonction de perte du VAE pour garantir que l'espace latent suit une distribution normale centrée réduite ?
A
Entropie croisée
B
Erreur quadratique moyenne
C
Divergence de Kullback-Leibler
D
Perte adversaire
6
Quel avantage principal les Normalizing Flows offrent-ils par rapport aux GANs et VAE ?
A
Leur entraînement est très stable et convergent plus facilement
B
Ils produisent des images plus nettes que les GANs
C
Ils n'ont pas besoin de fonctions bijectives
D
Ils possèdent un espace latent facilement interprétable
7
Dans le processus de diffusion des Diffusion Models, que représente la « reverse process » ?
A
Ajout itératif de bruit gaussien à l'image
B
Suppression itérative du bruit pour reconstruire l'image d'origine
C
Transformation de l'image en un vecteur latent de faible dimension
D
Classification des images selon leur bruit
8
Quelle architecture de réseau est généralement utilisée dans les Diffusion Models pour prédire le bruit ajouté à une image à chaque étape ?
A
Réseau Fully Connected (Dense)
B
Réseau convolutif simple
C
U-Net
D
Transformer standard
9
Quel est le principal inconvénient des Diffusion Models par rapport aux autres modèles génératifs comme les GANs ?
A
Difficulté à générer des images réalistes
B
Lenteur importante du processus de génération
C
Difficulté d'entraînement et instabilité
D
Nécessité de labels lors de l'entraînement
10
Dans un Conditional GAN (cGAN), comment contrôle-t-on les attributs des images générées ?
A
En modifiant la taille du vecteur aléatoire d'entrée du générateur
B
En fournissant un label ou une information conditionnelle en entrée au générateur et au discriminateur
C
En changeant la fonction de perte utilisée lors de l'entraînement
D
En utilisant un discriminateur plus profond
Score: 0/10
Score: 0/10
Score: 0/10
Score: 0/10