Kvíz spojený s průvodcem · Snadno úroveň
Kvíz hlubokého učení
Testování vícevrstvých sítí, počítání parametrů, nelinearity, trénink versus inference, zobecnění a kalibrovaná interpretace skóre modelu.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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