Prawda czy fałsz: sieć dyskryminacyjna i sieć generatora mają wpływ na siebie wyłącznie na podstawie danych wygenerowanych przez generatora i etykiet utworzonych przez dyskryminatora. W przypadku propagacji mają one oddzielne sieci.
Prawda
Niepoprawnie: podczas trenowania generatora gradienty są rozpowszechniane przez sieć dyskryminatora do sieci generatora (mimo że dyskryminator nie aktualizuje swoich wag podczas trenowania generatora).
Fałsz
Prawidłowo: podczas trenowania generatora gradienty są rozpowszechniane przez sieć dyskryminatora do sieci generatora (mimo że dyskryminator nie aktualizuje swoich wag podczas trenowania generatora). W rezultacie wagi w sieci dyskryminacji wpływają na aktualizacje sieci generatora.
Prawda czy fałsz: typowy element GAN trenuje generator i dyskryminację jednocześnie.
Prawda
Źle. Typowa alternatywa dla GAN między trenowaniem dyskryminatora a treningiem generatora. Generatory i dyskryminacje są jednocześnie prowadzone przez [badanie](https://arxiv.org/abs/1706.04156).
Fałsz
Dobra odpowiedź. Typowa alternatywa dla GAN między trenowaniem dyskryminatora a treningiem generatora.
Prawda czy fałsz: sieć GAN zawsze używa tej samej funkcji utraty w przypadku trenowania dyskryminacji i generatora.
Prawda
Źle. Mimo że GAN może wykorzystać tę samą stratę zarówno w przypadku trenowania generatora, jak i dyskryminacji (lub tej samej różnicy tylko w przypadku znaku), nie jest to wymagane. Częściej są używane różne straty dla dyskryminacji i generatora.
Fałsz
Dobra odpowiedź. Mimo że GAN może wykorzystać tę samą stratę zarówno w przypadku trenowania generatora, jak i dyskryminacji (lub tej samej różnicy tylko w przypadku znaku), nie jest to wymagane. Częściej są używane różne straty dla dyskryminacji i generatora.