Правда или ложь: сеть дискриминатора и сеть генератора влияют друг на друга исключительно через данные, создаваемые генератором, и метки, создаваемые дискриминатором. Когда дело доходит до обратного распространения ошибки, это отдельные сети.
Истинный
Неверно: во время обучения генератора градиенты распространяются через сеть дискриминатора в сеть генератора (хотя дискриминатор не обновляет свои веса во время обучения генератора).
ЛОЖЬ
Правильно: во время обучения генератора градиенты распространяются через сеть дискриминатора в сеть генератора (хотя дискриминатор не обновляет свои веса во время обучения генератора). Таким образом, веса в сети дискриминатора влияют на обновления сети генератора.
Правда или ложь: типичная GAN обучает генератор и дискриминатор одновременно.
Истинный
Неверно. Типичная GAN чередует обучение дискриминатора и обучение генератора. Есть несколько [исследований] (https://arxiv.org/abs/1706.04156) по одновременному обучению генератора и дискриминатора.
ЛОЖЬ
Правильный. Типичная GAN чередует обучение дискриминатора и обучение генератора.
Правда или ложь: GAN всегда использует одну и ту же функцию потерь как для обучения дискриминатора, так и для генератора.
Истинный
Неверно. Хотя GAN может использовать одни и те же потери для обучения генератора и дискриминатора (или одни и те же потери, отличающиеся только знаком), это не требуется. На самом деле чаще используются разные потери для дискриминатора и генератора.
ЛОЖЬ
Правильный. Хотя GAN может использовать одни и те же потери для обучения генератора и дискриминатора (или одни и те же потери, отличающиеся только знаком), это не требуется. На самом деле чаще используются разные потери для дискриминатора и генератора.