গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

ড্রপআউট এবং স্টোকাস্টিক রেগুলারাইজেশন কুইজ

এলোমেলো মুখোশ, প্রশিক্ষণ এবং অনুমান মোড, ইনভার্টেড স্কেলিং, সহ-অভিযোজন সীমা, MC ড্রপআউট এবং পরিবর্তনশীল পূর্বাভাস পরীক্ষা করুন।

প্রশ্ন 1 এর 8

প্রশিক্ষণের সময় ড্রপআউট কি করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. প্রশিক্ষণের সময় ড্রপআউট কি করে?
    • ওজন স্থায়ীভাবে মুছে দেয়
    • এলোমেলোভাবে প্রতিটি ফরোয়ার্ড পাসে নিউরন আউটপুটগুলির একটি ভগ্নাংশ শূন্যে সেট করে
    • শেখার হার দ্বিগুণ করে
    • নেটওয়ার্কে আরও স্তর যুক্ত করে
  2. কেন ড্রপআউট সাধারণীকরণ উন্নত করে?
    • এটি পরামিতি সংখ্যা বৃদ্ধি করে
    • এটি প্রশিক্ষণের ডেটার প্রয়োজনীয়তাকে সরিয়ে দেয়
    • এটি শূন্য প্রশিক্ষণ ত্রুটির গ্যারান্টি দেয়
    • এটি নিউরনকে সহ-অভিযোজিত হতে বাধা দেয় এবং অপ্রয়োজনীয়, শক্তিশালী উপস্থাপনা করতে বাধ্য করে
  3. পরীক্ষার (অনুমান) সময়ে ড্রপআউট হলে কী হবে?
    • এটি বন্ধ এবং সম্পূর্ণ নেটওয়ার্ক ব্যবহার করা হয়
    • এটি আরও বেশি নিউরন ড্রপ করে
    • এটি অর্ধেক ওজন মুছে ফেলে
    • এটি লেবেলগুলিকে র্যান্ডমাইজ করে
  4. একটি স্তরে p = 0.5 এর ড্রপআউট হার প্রশিক্ষণের সময় মোটামুটিভাবে কী বোঝায়?
    • সমস্ত নিউরন সরানো হয়
    • কোন নিউরন প্রভাবিত হয় না
    • প্রতিটি পাসে প্রায় অর্ধেক নিউরন শূন্য হয়ে যায়
    • স্তরটি মুছে ফেলা হয়েছে
  5. ড্রপআউট প্রায়ই আনুমানিক হিসাবে বর্ণনা করা হয় কি?
    • একটি একক রৈখিক রিগ্রেশন
    • সিদ্ধান্ত গাছ
    • একটি ফুরিয়ার রূপান্তর
    • অনেক পাতলা নেটওয়ার্কের একটি সংকলন যা ওজন ভাগ করে
  6. মন্টে কার্লো ড্রপআউট কি জন্য ব্যবহার করা হয়?
    • ডাটা লোডিং ত্বরান্বিত করা
    • অনুমানে ড্রপআউট সক্রিয় রেখে মডেল অনিশ্চয়তা অনুমান করা
    • কম ওজনে নেটওয়ার্ক কম্প্রেস করা
    • প্রশিক্ষণের ডেটা স্বয়ংক্রিয়ভাবে লেবেল করা
  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