Kvíz spojený s průvodcem · Snadno úroveň
Kvíz pro rozšíření dat
Prohlédněte si metody rozšíření dat pro obrázky a text, včetně transformací pro zachování štítků, míchání a naučených zásad.
Otázka 1 z 8
Jaký je primární účel rozšiřování dat?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký je primární účel rozšiřování dat?
- Rozšířit a diverzifikovat tréninková data, aby se modely lépe zobecňovaly
- Pro urychlení inference na trénovaném modelu
- Pro komprimaci velikosti datové sady na disku
- Chcete-li automaticky označit neoznačené příklady
- Která z nich je běžnou technikou zvětšení obrazu?
- Gradientní sestup
- Náhodné horizontální překlápění
- Tokenizace
- Výpadek
- Co dělá zpětný překlad při rozšiřování textu?
- Obrátí pořadí slov ve větě
- Odstraní všechna zastavovací slova z textu
- Překládá text do jiného jazyka a zpět a vytváří parafráze
- Převede text na číselná vložení
- Proč musí být augmentace „zachování štítků“?
- Chcete-li zachovat konstantní velikost souboru datové sady
- Aby trénink běžel rychleji
- Protože modely jinak neumí číst štítky
- Protože změna označení by model naučila špatné asociace
- Co dělá technika Mixup?
- Smíchá dva příklady a jejich popisky do jednoho tréninkového vzorku
- Maskuje obdélníkovou oblast obrázku
- Automaticky vyhledá nejlepší zásady pro rozšíření
- Přidá náhodný šum k hmotnosti modelu
- Kdy je rozšíření dat obzvlášť cenné?
- Když už máte neomezený počet označených dat
- Když je označených údajů málo a shromažďování dalších je obtížné
- Teprve když je model plně vycvičený
- Pouze pro tabulková tabulková data
- 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