اختبار وظائف الخسارة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. For a prediction task, what does its selected loss quantify against the training target?
   • A specified prediction-error objective
   • Only runtime speed
   • Only the number of network layers
   • Every application benefit automatically
2. ما هي دالة الخسارة الأكثر استخدامًا في مهام التصنيف؟
   • يعني الخطأ التربيعي
   • يعني الخطأ المطلق
   • خسارة الانتروبيا المتقاطعة
   • المسافة المفصلية فقط
3. بالمقارنة مع متوسط الخطأ التربيعي، لماذا قد تختار متوسط الخطأ المطلق؟
   • إنه يصحح الأخطاء لمعاقبتهم أكثر
   • وهو أكثر قوة بالنسبة للقيم المتطرفة لأنه لا يقوم بتربيع الأخطاء
   • لا يمكن استخدامه للانحدار
   • يتجاهل التسميات الحقيقية
4. Why does gradient-based training need a usable loss derivative or suitable substitute?
   • So a loss number can be printed
   • So all learning methods become identical
   • So the dataset no longer needs targets
   • So backpropagation and optimization can obtain an update signal
5. How does one-hot class cross-entropy change as probability assigned to the target class becomes very small?
   • Its loss must become zero
   • It rewards the prediction increasingly
   • Its loss becomes large
   • It becomes identical to accuracy
6. لماذا لا يتم عادة استخدام الدقة بشكل مباشر كخسارة في التدريب؟
   • إنه غير قابل للتمييز، لذا فهو لا يعطي تدرجًا مفيدًا
   • من السهل جدًا حسابها
   • إنه يعمل فقط من أجل الانحدار
   • فهو دائما يساوي الخسارة على أي حال
7. For illustrative regression residuals one and three, what are mean squared error and mean absolute error?
   • MSE is two and MAE is five
   • Both are four
   • MSE is ten and MAE is four
   • MSE is five and MAE is two
8. Using a base-two logarithm, what one-hot cross-entropy loss corresponds to target-class probability one-quarter?
   • One-quarter bit
   • Two bits
   • Four bits
   • Zero bits