গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

হাইওয়ে নেটওয়ার্ক এবং সংযোগগুলি এড়িয়ে যান

গেটেড এবং অবশিষ্ট শর্টকাট, গ্রেডিয়েন্ট-ফ্লো সীমা, LSTM অনুপ্রেরণা, ট্রান্সফরমার এবং ইউ-নেট ব্যবহার এবং শূন্য-বনাম-এক গেট আচরণ পরীক্ষা করুন।

প্রশ্ন 1 এর 8

A very deep network struggles with optimization. What can a skip path provide?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. A very deep network struggles with optimization. What can a skip path provide?
    • A guarantee of perfect gradients at every depth
    • A more direct signal and gradient route that can ease training
    • A proof that more layers always improve accuracy
    • A replacement for the loss function
  2. একটি মৌলিক অবশিষ্ট ব্লক গণনা কি?
    • আউটপুট = F(x) x দ্বারা গুণিত
    • আউটপুট = x F(x) দ্বারা ভাগ
    • আউটপুট = সর্বোচ্চ F(x) এবং x
    • আউটপুট = F(x) প্লাস x, যেখানে x হল ইনপুট শর্টকাট
  3. হাইওয়ে নেটওয়ার্কে গেটিং প্রক্রিয়াকে কী অনুপ্রাণিত করেছে?
    • পুনরাবৃত্ত নেটওয়ার্ক থেকে LSTM গেট
    • কনভোল্যুশনাল পুলিং
    • ব্যাচ স্বাভাবিককরণ
    • ড্রপআউট
  4. একটি হাইওয়ে নেটওয়ার্কে, ট্রান্সফর্ম গেট T(x) কী নিয়ন্ত্রণ করে?
    • অপ্টিমাইজারের শেখার হার
    • আউটপুট চিত্রের আকার
    • ইনপুট কতটা রূপান্তরিত হয় বনাম সরাসরি বাহিত হয়
    • নেটওয়ার্কে স্তরের সংখ্যা
  5. কোন আধুনিক স্থাপত্য তার উপস্তরগুলির চারপাশে অবশিষ্ট সংযোগের উপর নির্ভর করে?
    • K- মানে ক্লাস্টারিং
    • সিদ্ধান্ত গাছ
    • লিনিয়ার রিগ্রেশন
    • ট্রান্সফরমার
  6. U-Net সংযোগগুলি কীভাবে বিশেষভাবে বিভাজনে সহায়তা করে?
    • তারা সম্পূর্ণরূপে এনকোডার মুছে ফেলে
    • তারা এনকোডার থেকে ডিকোডারে সূক্ষ্ম স্থানিক বিবরণ পাস করে
    • তারা চিত্রটিকে পাঠ্যে রূপান্তর করে
    • তারা আউটপুট ক্লাসের সংখ্যা কমিয়ে এক করে
  7. In y = F(x)T(x) + x(1-T(x)), what remains when T(x)=0?
    • Only F(x)
    • The sum 2x
    • The carried input x
    • A mandatory zero output
  8. For the same coupled-gate highway form, what remains when T(x)=1?
    • The transformed value F(x)
    • Only the original x
    • F(x) plus x
    • An automatically normalized x