Kvíz spojený s průvodcem · Střední úroveň

Kvíz o automatických kodérech

Kontroluje cíle rekonstrukce, latentní kompresi, odšumování, nelineární funkce a rozdíly mezi standardními a variačními autoenkodéry.

Související vodicí cestyAutomatické kodéry
Otázka 1 z 8

Jaký je účel „úzkého místa“ (latentního kódu) v autokodéru?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký je účel „úzkého místa“ (latentního kódu) v autokodéru?
    • Přinutit síť do kompaktní reprezentace, která zachycuje základní strukturu
    • Chcete-li přidat další parametry a zvýšit kapacitu modelu
    • K uložení štítků pro klasifikaci pod dohledem
    • Ke zpomalení tréninku pro lepší stabilitu
  2. Proč jsou automatické kodéry považovány za samokontrolované?
    • Vyžadují obrovské označené datové sady
    • Cílem školení je samotný vstup, takže nejsou potřeba žádné externí štítky
    • Člověk označí každou rekonstrukci ručně
    • Fungují pouze na předem klasifikovaných obrázcích
  3. Jak se liší odšumovací autokodér od standardního?
    • Zcela odstraní dekodér
    • Funguje pouze s textovými daty
    • Je trénován k rekonstrukci čistého vstupu z poškozené verze
    • Nevyžaduje žádnou překážkovou vrstvu
  4. Co umožňuje variačnímu autokodéru (VAE) generovat nová data?
    • Zapamatuje si každý tréninkový příklad
    • Nepoužívá žádný dekodér
    • Nahrazuje neuronové sítě rozhodovacími stromy
    • Učí se hladký, pravděpodobnostní latentní prostor, ze kterého můžete vzorkovat
  5. Lineární autokodér natrénovaný s chybou střední kvadratické hodnoty se velmi podobá které klasické technice?
    • Analýza hlavních komponent (PCA)
    • K-znamená shlukování
    • Rozhodovací stromy
    • Logistická regrese
  6. Proč jsou automatické kodéry vhodné pro detekci anomálií?
    • Označují anomálie během tréninku
    • Dobře rekonstruují běžné vzory, ale vykazují velké chyby na vzácných, neviditelných vzorech
    • Chybu rekonstrukce zcela ignorují
    • Vydávají pouze binární klasifikace
  7. Which reconstruction loss does the guide associate with binary-pixel data?
    • Trojnásobná ztráta marže
    • Temporal-difference error
    • Cross-entropy
    • Cosine annealing loss
  8. Why can nonlinear activations make an autoencoder more expressive than a linear one?
    • They force the latent code to equal the input size
    • They remove the decoder from the model
    • They guarantee zero reconstruction error on unseen data
    • They allow it to learn nonlinear or curved structures in the data