গাইড লিঙ্ক ক্যুইজ · সহজ স্তর
ডেটা অগমেন্টেশন কুইজ
লেবেল-সংরক্ষন রূপান্তর, মিশ্রণ এবং শেখা নীতি সহ চিত্র এবং পাঠ্যের জন্য ডেটা বৃদ্ধির পদ্ধতি পর্যালোচনা করুন।
প্রশ্ন 1 এর 8
তথ্য বৃদ্ধির প্রাথমিক উদ্দেশ্য কি?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- তথ্য বৃদ্ধির প্রাথমিক উদ্দেশ্য কি?
- প্রশিক্ষণের ডেটা প্রসারিত এবং বৈচিত্র্যময় করতে যাতে মডেলগুলি আরও ভালভাবে সাধারণীকরণ করে
- একটি প্রশিক্ষিত মডেলের উপর অনুমানের গতি বাড়ানোর জন্য
- ডিস্কে ডেটাসেটের আকার সংকুচিত করতে
- লেবেলবিহীন উদাহরণ স্বয়ংক্রিয়ভাবে লেবেল করতে
- এইগুলির মধ্যে কোনটি একটি সাধারণ চিত্র বৃদ্ধির কৌশল?
- গ্রেডিয়েন্ট ডিসেন্ট
- এলোমেলো অনুভূমিক ফ্লিপিং
- টোকেনাইজেশন
- ড্রপআউট
- পাঠ্য বৃদ্ধিতে ব্যাক-অনুবাদ কি করে?
- একটি বাক্যে শব্দের ক্রম বিপরীত করে
- পাঠ্য থেকে সমস্ত স্টপ শব্দ মুছে দেয়
- পাঠ্যকে অন্য ভাষায় অনুবাদ করে এবং প্যারাফ্রেজ তৈরি করতে ফিরে আসে
- টেক্সটকে সংখ্যাসূচক এমবেডিং-এ রূপান্তর করে
- কেন বৃদ্ধি 'লেবেল-সংরক্ষণ' হতে হবে?
- ডেটাসেট ফাইলের আকার স্থির রাখতে
- প্রশিক্ষণ দ্রুত চালানোর জন্য
- কারণ মডেলগুলি অন্যথায় লেবেল পড়তে পারে না
- কারণ লেবেল পরিবর্তন করা মডেলটিকে ভুল সংস্থান শেখাবে
- মিক্সআপ কৌশলটি কী করে?
- একটি প্রশিক্ষণ নমুনায় দুটি উদাহরণ এবং তাদের লেবেলগুলিকে মিশ্রিত করে
- একটি চিত্রের একটি আয়তক্ষেত্রাকার অঞ্চল মাস্ক করে
- স্বয়ংক্রিয়ভাবে সেরা পরিবর্ধন নীতি অনুসন্ধান করে
- মডেল ওজনে এলোমেলো শব্দ যোগ করে
- যখন ডেটা বৃদ্ধি বিশেষভাবে মূল্যবান?
- যখন আপনার ইতিমধ্যেই সীমাহীন লেবেলযুক্ত ডেটা থাকে
- যখন লেবেলযুক্ত ডেটা দুষ্প্রাপ্য এবং আরও সংগ্রহ করা কঠিন
- শুধুমাত্র মডেল সম্পূর্ণ প্রশিক্ষিত হলে
- শুধুমাত্র ট্যাবুলার স্প্রেডশীট ডেটার জন্য
- 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
- 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