Kvíz spojený s průvodcem · Střední úroveň

Kvíz o prodloužení času testu

Kontroluje, jak augmentace v testovacím čase agreguje předpovědi pevných modelů, kdy pomáhá, její výpočetní náklady a požadavky na zarovnání transformace.

Související vodicí cestyRozšíření doby testu
Otázka 1 z 8

Co dělá v době inference augmentace v testovacím čase s jediným vstupem?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co dělá v době inference augmentace v testovacím čase s jediným vstupem?
    • Spuštění pevného modelu na několika transformovaných kopiích vstupu a kombinování výstupů
    • Přetrénování modelu na rozšířených datech při každém dotazu
    • Přidání šumu k vahám modelu před každou predikcí
    • Komprese modelu tak, aby běžel rychleji při odvození
  2. Kdy může sdružování předpovědí z transformovaných pohledů snížit rozptyl předpovědí?
    • Když každý pohled změní skutečnou třídu
    • Když transformace zachovají štítek a chyby zobrazení jsou alespoň částečně nekorelované
    • Když jsou všechny předpovědi záměrně totožné
    • Když je model přeškolen na každé transformované kopii
  3. Jaké jsou hlavní náklady na používání TTA?
    • Vyžaduje označená testovací data
    • Trvale mění trénované váhy
    • Zvyšuje inferenční výpočet, protože model běží vícekrát na vzorek
    • Snižuje přesnost modelu na čistých vstupech
  4. Která volba augmentace by mohla klasifikátoru číslic ve skutečnosti URÁŽIT?
    • Malé změny jasu
    • Drobné náhodné plodiny
    • Přidám trochu Gaussova šumu
    • Horizontální převrácení „6“, takže může vypadat jako „9“
  5. Jaký další krok je v segmentaci vyžadován před zprůměrováním výstupů TTA?
    • Invertování každé geometrické transformace tak, aby se předpokládané masky znovu srovnaly s původními pixely
    • Přeškolení dekodéru pro každý pohled
    • Zahození všech převrácených pohledů
    • Převod masek na ohraničovací rámečky
  6. Co lze u modelu klasifikace agregovat v rámci zobrazení v průběhu testu?
    • Tréninkové štítky modelu
    • Předpokládané pravděpodobnosti nebo logity z pohledů
    • Názvy vstupních obrazových souborů
    • Vyrovnávací paměti hybnosti optimalizátoru
  7. Vyžaduje standardní rozšíření zkušební doby přeškolení modelu na nové štítky?
    • Ano; každý pohled potřebuje nově natrénovaný model
    • ano; vyžaduje zvláštní štítky třídy pro každý pohled
    • Žádný; znovu používá pevné váhy a vyhodnocuje transformované vstupy na základě odvození
    • Ne; nahrazuje model vyhledávací tabulkou
  8. Segmentační model předpovídá masky na převrácených a oříznutých pohledech. Co se musí stát před pixelwise poolingem?
    • Průměr masek před zrušením transformací
    • Zrušte původní souřadnice obrázku
    • Na každý pixelový pohled použijte jiný štítek
    • Invertujte geometrické transformace tak, aby byly všechny masky zarovnány s původními souřadnicemi obrázku