Kvíz spojený s průvodcem · Snadno úroveň

Kvíz hlubokého učení

Testování vícevrstvých sítí, počítání parametrů, nelinearity, trénink versus inference, zobecnění a kalibrovaná interpretace skóre modelu.

Související vodicí cestyHluboké učení
Otázka 1 z 8

Co popisuje termín „deep“ v modelu hlubokého učení?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co popisuje termín „deep“ v modelu hlubokého učení?
    • Architektura neuronové sítě s více vrstvami mezi vstupem a výstupem
    • Model, který rozumí tématům na hluboké lidské úrovni
    • Systém trénovaný pouze na neobvykle velkých datových sadách
    • Metoda, která zaručuje vyšší přesnost úkolu
  2. Síť má 2 vstupy, skryté vrstvy s 3 a 2 jednotkami a 1 výstup. S biasem pro každou skrytou a výstupní jednotku, kolik je vah a biasů?
    • 14
    • 20
    • 18
    • 23
  3. Proč používat nelineární aktivace mezi skrytými vrstvami?
    • Převádějí každou skrytou jednotku na označený tréninkový příklad
    • Zaručují, že síť bude generalizovat na neviděná data
    • Bez nich stále skládání lineárních transformací dává lineární transformaci
    • Odstraňují potřebu učit váhy
  4. Během inferencí se co obvykle děje s parametry natrénovaného modelu?
    • Po každém vstupu jsou přeškoleny
    • Nahradí je štítky v promptu
    • Před každým výstupem jsou resetovány
    • Model je používá k zpracování vstupu, aniž by je nutně aktualizoval
  5. Model se úzce přizpůsobuje svým tréninkovým příkladům, ale na srovnatelných odložených datech funguje špatně. Jaký vzor to ukazuje?
    • Přetahování
    • Podvybavení
    • Dobrá generalizace
    • Záruka, že štítky jsou správné
  6. Proč porovnávat hlubší síť s jednodušším základním modelem na odložených příkladech?
    • Protože jednodušší modely vždy převyšují neuronové sítě
    • Zjistit, zda přidaná složitost zlepšuje úkol natolik, aby to ospravedlnilo praktické náklady
    • Protože hlubší modely nelze vyhodnocovat na nových datech
    • Abyste se vyhnuli kontrole vzorů chyb
  7. Klasifikátor vrátí skóre 0,9. Co tím samo o sobě dokazuje?
    • Předpověď je správná 90 % času u každého úkolu
    • Model byl kalibrován na nasazovacích datech
    • Jedná se o skóre modelu, nikoli o důkaz o kalibrované 90 % pravděpodobnosti správnosti
    • Systém rozumí příkladu s 90 % jistotou
  8. Co samotné přidání více vrstev dokazuje o porozumění nebo užitečnosti modelu?
    • Že rozumí vstupům jako člověk
    • Že překoná jednodušší model
    • Že jeho chyby jsou neškodné
    • Nic samo o sobě; vyhodnoťte jej na zamýšleném úkolu a relevantních příkladech