A.通过一同调整生成器和判别器的权重等参数，达到两者总的代价函数平衡
B.通过多轮训练，使鉴别器达到最大评判能力的情况下生成器的样本尽量让鉴别器分不开
C.通过交替调整生成器和判别器的权重等参数，使得生成器和判别器的性能达到一种平衡状态
D.两者的代价函数是对抗性质的

A.判别器的任务是分类，而不是生成假样本
B.生成器的任务重，减少计算量
C.防止判别器在训练过程中发生梯度消失，降低鉴别器的能力
D.增加生成样本的多样性

A.如果判别器发生了过拟合，那么生成器可能会生成一起很奇怪的样本
B.若生成器产生新样本依赖的随机噪声z与真实样本的数据分布差别很大，GAN训练会失效
C.生成器由一个前馈神经网络或反卷积深度网络实现，其目标是要使生成的图像与真实的样本一样
D.判别器的判别能力开始训练时越强，GAN越容易训练

A.将黑白照片改成彩色照片
B.机器人取名字
C.将白天景观改成黑夜景观
D.当图像分类样本不足时做数据增强

A.一般来说，GAN通过训练总能达到代价函数的极小值
B.生成器要最小化判别模型D的判别准确率，而判别器要尽量最大化真假分类准确率
C.通过交替训练判别器和生成器，不断提高两者的性能，使两者的性能达到某个平衡点
D.训练GAN要达到生成器和判别器的博弈平衡，因此GAN的代价函数需要综合考虑两者的性能

A.生成器和判别器需要交替训练，不断增加两者的性能，直至达到某种博弈的平衡
B.生成器和判别器的代价函数在训练过程中是同时优化的
C.生成器用来产生带有随机噪声的一定分布数据和真实样本数据的映射关系，判别器用来区别实际数据和生成器产生的数据
D.生成器可以由Autoencoder实现

A.注意力机制的含义表示输出与输入之间的对应关系
B.解码器强化了不同时刻输出之间的关系
C.引注意力机制后会减少编码器（RNN）和解码器（RNN）的长跨度依赖问题
D.使用注意力机制之后会增加计算量，但是性能水平能够得到提升

A.解码器上一时刻隐层的输出
B.解码器该时刻的输出
C.编码器的输入
D.编码器各个时刻隐单元的输出

A.两种做法没什么区别
B.前者的做法效果不如后者
C.可以把编码器的输入之间的语义关系与解码器的输出之间的语义关系更好地对应
D.可以把编码器的输入之间的时序关系与解码器的输出之间的时序关系更好地对应

A.Softmax
B.Sigmoid
C.Tanh
D.ReLU