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.

Související vodicí cestyRozšíření dat
Otázka 1 z 8

Jaký je primární účel rozšiřování dat?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. 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
  2. Která z nich je běžnou technikou zvětšení obrazu?
    • Gradientní sestup
    • Náhodné horizontální překlápění
    • Tokenizace
    • Výpadek
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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