Тест, свързан с ръководство · лесно Ниво

Тест за дълбоко обучение

Тествайте многослойни мрежи, броене на параметри, нелинейности, обучение срещу извод, обобщение и калибрирана интерпретация на резултатите от модела.

Свързани ръководни пътекиДълбоко обучение
Въпрос 1 на 8

Какво описва „дълбоко“ в модел на задълбочено обучение?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво описва „дълбоко“ в модел на задълбочено обучение?
    • A neural-network architecture with multiple layers between input and output
    • A model that understands topics at a profound human level
    • A system trained only on unusually large datasets
    • A method that guarantees higher task accuracy
  2. Мрежата има 2 входа, скрити слоеве от 3 и 2 единици и 1 изход. С отклонение за всяка скрита/изходна единица, колко тегла и отклонения има?
    • 14
    • 20
    • 18
    • 23
  3. Защо да използвате нелинейни активации между скрити слоеве?
    • They convert every hidden unit into a labeled training example
    • They guarantee the network will generalize to unseen data
    • Without them, stacking linear transformations still produces a linear transformation
    • They remove the need for learned weights
  4. По време на извода какво обикновено се случва с параметрите на обучения модел?
    • They are retrained after every input
    • They are replaced by the labels in the prompt
    • They are reset before each output
    • The model uses them to process an input without necessarily updating them
  5. Моделът се вписва много в своите примери за обучение, но се представя слабо при сравними задържани данни. Какъв модел показва това?
    • Прекомерно оборудване
    • Недостатъчно оборудване
    • Good generalization
    • A guarantee that the labels are correct
  6. Why compare a deeper network with a simpler baseline on held-out examples?
    • Because simpler models always outperform neural networks
    • To see whether added complexity improves the task enough to justify its practical costs
    • Because deeper models cannot be evaluated on new data
    • To avoid checking error patterns
  7. A classifier returns a score of 0.9. What does that alone establish?
    • The prediction is correct 90% of the time on every task
    • The model has been calibrated on deployment data
    • It is a model score, not proof of a calibrated 90% chance of correctness
    • The system understands the example with 90% certainty
  8. What does adding more layers alone prove about a model’s understanding or usefulness?
    • That it understands inputs like a person
    • That it will outperform a simpler model
    • That its errors are harmless
    • Nothing by itself; evaluate it on the intended task and relevant examples