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।
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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