Тест, свързан с ръководство · Среден Ниво

Тест за отпадане и стохастична регулация

Тествайте произволни маски, режими на обучение и извод, обърнато мащабиране, граници на съвместна адаптация, отпадане на MC и прогнози за променливи.

Свързани ръководни пътекиОтпадане и стохастична регулация
Въпрос 1 на 8

Какво прави отпадането по време на обучение?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво прави отпадането по време на обучение?
    • Изтрива тежестите за постоянно
    • Произволно задава част от невронните изходи на нула при всяко преминаване напред
    • Удвоява скоростта на обучение
    • Добавя повече слоеве към мрежата
  2. Защо отпадането подобрява обобщаването?
    • Увеличава броя на параметрите
    • Премахва необходимостта от данни за обучение
    • Гарантира нулева грешка при обучение
    • Той предотвратява ко-адаптирането на невроните и налага излишни, стабилни представяния
  3. Какво се случва с отпадането по време на тест (извод)?
    • Той е изключен и се използва цялата мрежа
    • Изпуска още повече неврони
    • Изтрива половината тежести
    • Той рандомизира етикетите
  4. Процент на отпадане от p = 0,5 в слой означава приблизително какво по време на обучение?
    • Всички неврони се отстраняват
    • Не са засегнати неврони
    • Около половината неврони се нулират при всяко преминаване
    • Слоят се изтрива
  5. Какво е отпадането често описвано като приблизително?
    • Единична линейна регресия
    • Дърво на решенията
    • Преобразуване на Фурие
    • Ансамбъл от много изтънени мрежи, които споделят тежести
  6. За какво се използва Monte Carlo dropout?
    • Ускоряване на зареждането на данни
    • Оценяване на несигурността на модела чрез поддържане на отпадането активно при извод
    • Компресиране на мрежата до по-малко тегла
    • Автоматично етикетиране на данните за обучение
  7. With inverted dropout, why is no extra activation scaling normally needed at ordinary inference?
    • The keep probability becomes exactly zero
    • Inference always averages new random masks
    • Surviving activations were already scaled during training
    • Every weight is divided by the number of layers
  8. The same input yields varying predictions because dropout remains active during evaluation. What explains the variation?
    • New random masks sample different subnetworks on each pass
    • The input changes its label by itself
    • The network has no trained weights
    • Batch size must be one