quiz.json

{
  "questions": [
    {
      "stage": "pre",
      "question": "为什么 GAN 训练使用非饱和的生成器损失 -log(D(G(z)))，而不是 log(1 - D(G(z)))？",
      "options": [
        "它们在数学上不同，并产生更好的均衡",
        "训练早期 D(G(z)) 接近零，因此 log(1 - D(G(z))) 的梯度消失；-log(D(G(z))) 在那里有较大梯度，所以 G 能收到有用的信号",
        "它加快了判别器",
        "PyTorch 要求这样"
      ],
      "correct": 1,
      "explanation": "当 D(G(z)) 很小时，这两种损失共享相同的梯度方向，但量级差异很大。log(1 - D(G(z))) 在那里梯度趋于零而停滞。非饱和形式在整个范围内都保持信息量。Goodfellow 在原论文中指出了这一改动，每个现代 GAN 都使用它。"
    },
    {
      "stage": "pre",
      "question": "DCGAN 的准则说要用带步长的卷积代替池化。为什么？",
      "options": [
        "池化在 GPU 上更慢",
        "池化不可学习且会丢弃生成器可能需要的信息；带步长的卷积让网络学习自己的下采样，经验上能产生更清晰的生成图像",
        "池化中断梯度流动",
        "池化与批归一化不兼容"
      ],
      "correct": 1,
      "explanation": "最大池化是一种人为指定的下采样，除最大值外丢弃一切。在生成场景中，模型受益于一种能在步长间保留信息的可学习下采样。判别器中的带步长卷积和生成器中的带步长转置卷积，是使 DCGAN 可训练的架构改动。"
    },
    {
      "stage": "post",
      "question": "你训练一个 GAN，发现无论输入噪声如何，G 都产生几乎相同的样本。这是哪种失败？",
      "options": [
        "梯度消失",
        "模式坍缩——G 找到了数据分布的一个狭窄区域，能持续骗过 D，因而没有探索的动力；修复办法包括谱归一化、minibatch 判别或更大的批",
        "振荡",
        "数据集太小"
      ],
      "correct": 1,
      "explanation": "模式坍缩是 GAN 典型的失败，表现为样本缺乏多样性。诊断很明显：输入噪声，输出相同图像。修复办法都瞄准判别器惩罚多样性不足的能力，要么让 D 更具表达力（谱归一化、minibatch 判别），要么给 G 更少的坍缩空间（更大的批、带条件的标签）。"
    },
    {
      "stage": "post",
      "question": "为什么 DCGAN 训练脚本使用 betas=(0.5, 0.999) 的 Adam，而不是默认的 (0.9, 0.999)？",
      "options": [
        "默认值有问题",
        "较低的 beta1 减少动量；在对抗博弈中，当另一个网络的行为发生变化时，过重的动量会让每个优化器在错误方向上停留太久，从而导致不稳定",
        "在 CUDA 上 Adam 只支持 beta1=0.5",
        "这是教程中以讹传讹的笔误"
      ],
      "correct": 1,
      "explanation": "Adam 默认的 beta1=0.9 在大约 10 步上对梯度做平均。在平稳目标下这有帮助。但在每次 D 和 G 更新都使损失曲面发生变化的对抗博弈中，这种平均会延迟优化器的响应并导致振荡。Radford 等人发现 beta1=0.5 稳定得多，它如今已成为 GAN 的默认值。"
    },
    {
      "stage": "post",
      "question": "一位同事报告了一个 GAN：D 损失接近零，而 G 损失在训练中不断上升。发生了什么，你如何修复？",
      "options": [
        "两个网络都在正确地改进",
        "判别器变得太强，把 G 的梯度逼到零；修复办法包括更小的 D、谱归一化、对真实标签做标签平滑（用 0.9 而非 1.0），或改用 WGAN-GP",
        "生成器在正确地过拟合",
        "什么都没发生——这就是均衡"
      ],
      "correct": 1,
      "explanation": "D 的损失接近零意味着 D 在真实和伪造样本上都完美。此时回传给 G 的 BCE 梯度消失：无论 G 输出什么，它看到的信号都近乎为零。修复办法是削弱 D 或使用不饱和的损失。谱归一化（限制 D 的 Lipschitz 常数）和 WGAN-GP（用推土机距离代替 BCE）是两种标准的补救方案。"
    }
  ]
}