Mit dem Guide verknüpftes Quiz · Einfach Ebene

Quiz zur Datenerweiterung

Sehen Sie sich Methoden zur Datenerweiterung für Bilder und Text an, einschließlich beschriftungserhaltender Transformationen, Mischung und erlernter Richtlinien.

Verwandte FührungspfadeDatenerweiterung
Frage 1 von 8

Was ist der Hauptzweck der Datenerweiterung?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was ist der Hauptzweck der Datenerweiterung?
    • Erweiterung und Diversifizierung der Trainingsdaten, damit sich Modelle besser verallgemeinern lassen
    • Um die Schlussfolgerung eines trainierten Modells zu beschleunigen
    • Um die Größe des Datensatzes auf der Festplatte zu komprimieren
    • Um unbeschriftete Beispiele automatisch zu kennzeichnen
  2. Welche davon ist eine gängige Bildvergrößerungstechnik?
    • Gefälleabstieg
    • Zufälliges horizontales Spiegeln
    • Tokenisierung
    • Aussteiger
  3. Was bewirkt die Rückübersetzung bei der Texterweiterung?
    • Kehrt die Reihenfolge der Wörter in einem Satz um
    • Entfernt alle Stoppwörter aus dem Text
    • Übersetzt Text in eine andere Sprache und zurück, um Paraphrasen zu erstellen
    • Wandelt Text in numerische Einbettungen um
  4. Warum müssen Erweiterungen „etikettenerhaltend“ sein?
    • Um die Dateigröße des Datensatzes konstant zu halten
    • Damit das Training schneller abläuft
    • Weil Modelle sonst Etiketten nicht lesen können
    • Denn eine Änderung der Bezeichnung würde dem Modell falsche Assoziationen beibringen
  5. Was bewirkt die Mixup-Technik?
    • Fügt zwei Beispiele und ihre Bezeichnungen zu einem Trainingsbeispiel zusammen
    • Maskiert einen rechteckigen Bereich eines Bildes
    • Sucht automatisch nach der besten Erweiterungsrichtlinie
    • Fügt den Modellgewichten zufälliges Rauschen hinzu
  6. Wann ist die Datenerweiterung besonders wertvoll?
    • Wenn Sie bereits über unbegrenzte gekennzeichnete Daten verfügen
    • Wenn gekennzeichnete Daten knapp sind und es schwierig ist, mehr zu sammeln
    • Nur wenn das Modell vollständig trainiert ist
    • Nur für tabellarische Tabellendaten
  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