Тест, свързан с ръководство · лесно Ниво

Тест за увеличаване на данните

Прегледайте методите за увеличаване на данните за изображения и текст, включително запазващи етикети трансформации, смесване и научени политики.

Свързани ръководни пътекиУвеличаване на данни
Въпрос 1 на 8

Каква е основната цел на увеличаването на данните?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Каква е основната цел на увеличаването на данните?
    • За разширяване и разнообразяване на данните за обучение, така че моделите да се обобщават по-добре
    • За ускоряване на извода върху обучен модел
    • За компресиране на размера на набора от данни на диска
    • За автоматично етикетиране на немаркирани примери
  2. Кое от тези е обичайна техника за увеличаване на изображението?
    • Градиентно спускане
    • Случайно хоризонтално обръщане
    • Токенизация
    • Отпадане
  3. Какво прави обратният превод при увеличаването на текста?
    • Обръща реда на думите в изречението
    • Премахва всички стоп думи от текста
    • Превежда текст на друг език и обратно, за да създаде парафрази
    • Преобразува текст в цифрови вграждания
  4. Защо увеличенията трябва да „запазват етикета“?
    • За да запазите размера на файла с набор от данни постоянен
    • За да може тренировката да протича по-бързо
    • Тъй като иначе моделите не могат да четат етикети
    • Тъй като промяната на етикета би научила модела на грешни асоциации
  5. Какво прави техниката Mixup?
    • Смесва два примера и техните етикети в една обучаваща проба
    • Маскира правоъгълна област на изображение
    • Автоматично търси най-добрата политика за увеличаване
    • Добавя произволен шум към теглата на модела
  6. Кога увеличаването на данните е особено ценно?
    • Когато вече имате неограничени етикетирани данни
    • Когато етикетираните данни са оскъдни и събирането на повече е трудно
    • Само когато моделът е напълно обучен
    • Само за таблични данни от електронни таблици
  7. What does CutMix do to an image and its training label?
    • It adds a random word to a sentence without changing the label
    • It swaps only class names in the dataset
    • It replaces a patch with a patch from another image and mixes labels by the replaced area
    • It blurs every input and keeps a single label unchanged
  8. How does AutoAugment select augmentation policies in its original paper?
    • It chooses transformations from a fixed human-written list without evaluation
    • It uses test labels to relabel training images
    • It selects operations from inference-time confidence only
    • It searches for policies using validation performance as a reward signal