Тест, свързан с ръководство · Среден Ниво

Тест за автоенкодери

Проверява целите за реконструкция, латентната компресия, премахването на шума, нелинейните функции и разликите между стандартните и вариационните автоенкодери.

Свързани ръководни пътекиАвтоенкодери
Въпрос 1 на 8

Каква е целта на „тясното място“ (латентния код) в автокодера?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Каква е целта на „тясното място“ (латентния код) в автокодера?
    • Да принудите мрежата да стане компактно представяне, което улавя основната структура
    • За добавяне на повече параметри и увеличаване на капацитета на модела
    • За съхраняване на етикети за контролирана класификация
    • За забавяне на тренировките за по-добра стабилност
  2. Защо автоенкодерите се считат за самоконтролируеми?
    • Те изискват огромни етикетирани набори от данни
    • Целта на обучението е самият вход, така че не са необходими външни етикети
    • Човек етикетира всяка реконструкция на ръка
    • Те работят само върху предварително класифицирани изображения
  3. По какво се различава автоматичният енкодер за обезшумяване от стандартния?
    • Той премахва изцяло декодера
    • Работи само с текстови данни
    • Той е обучен да реконструира чист вход от повредена версия
    • Не изисква слой с тесни места
  4. Какво прави вариационния автоенкодер (VAE) способен да генерира нови данни?
    • Той запомня всеки пример за обучение
    • Не използва декодер
    • Той заменя невронните мрежи с дървета на решенията
    • Той научава гладко, вероятностно латентно пространство, от което можете да вземете проби
  5. Коя класическа техника много прилича на линеен автоенкодер, обучен със средноквадратична грешка?
    • Анализ на главните компоненти (PCA)
    • K-означава групиране
    • Дървета на решенията
    • Логистична регресия
  6. Защо автоенкодерите са подходящи за откриване на аномалии?
    • Те етикетират аномалии по време на обучение
    • Те възстановяват добре общи модели, но показват големи грешки при редки, невиждани модели
    • Те напълно игнорират грешката при реконструкцията
    • Те извеждат само двоични класификации
  7. Which reconstruction loss does the guide associate with binary-pixel data?
    • Трикратна загуба на маржин
    • Temporal-difference error
    • Cross-entropy
    • Cosine annealing loss
  8. Why can nonlinear activations make an autoencoder more expressive than a linear one?
    • They force the latent code to equal the input size
    • They remove the decoder from the model
    • They guarantee zero reconstruction error on unseen data
    • They allow it to learn nonlinear or curved structures in the data