Тест за функциите на загубата

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. For a prediction task, what does its selected loss quantify against the training target?
   • A specified prediction-error objective
   • Only runtime speed
   • Само броя на мрежовите слоеве
   • Every application benefit automatically
2. Коя функция на загуба се използва най-често за задачи за класификация?
   • Средна квадратна грешка
   • Средна абсолютна грешка
   • Крос-ентропийна загуба
   • Само разстояние между пантите
3. В сравнение със средната квадратна грешка, защо може да изберете средна абсолютна грешка?
   • Той повдига грешките на квадрат, за да ги наказва повече
   • Той е по-стабилен спрямо отклоненията, защото не повдига грешките на квадрат
   • Не може да се използва за регресия
   • Игнорира истинските етикети
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. Защо точността обикновено не се използва директно като загуба на обучение?
   • Не е диференцируем, така че не дава полезен градиент
   • Прекалено лесно е за изчисляване
   • Работи само за регресия
   • Така или иначе винаги е равно на загубата
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