Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ Δικτύων Κάψουλας

Ελέγχει διανύσματα κάψουλας, δρομολόγηση από μέρος προς ολόκληρο, πληροφορίες πόζας, βαθμολογίες συμφωνίας και γιατί η επαναληπτική δρομολόγηση μπορεί να είναι δαπανηρή.

Σχετικές διαδρομές οδηγώνΔίκτυα καψουλών
Ερώτηση 1 του 8

Σε ένα δίκτυο καψουλών, τι αντιπροσωπεύει το ΜΗΚΟΣ του διανύσματος εξόδου μιας κάψουλας;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Σε ένα δίκτυο καψουλών, τι αντιπροσωπεύει το ΜΗΚΟΣ του διανύσματος εξόδου μιας κάψουλας;
    • Η πιθανότητα να είναι παρούσα η οντότητα
    • Το χρώμα του χαρακτηριστικού που εντοπίστηκε
    • Το ποσοστό εκμάθησης για αυτό το επίπεδο
    • Ο αριθμός των νευρώνων στην κάψουλα
  2. Ποιο πρόβλημα με τα τυπικά CNN σχεδιάστηκαν ειδικά για την αντιμετώπιση των δικτύων καψουλών;
    • Αργή εκπαίδευση σε GPU
    • Απώλεια χωρικών/μερικών-ολικών σχέσεων, π.χ. αποδοχή μπερδεμένων μερών προσώπου
    • Αδυναμία επεξεργασίας έγχρωμων εικόνων
    • Πολύ λίγες παράμετροι για εκμάθηση
  3. Πώς ονομάζεται ο αλγόριθμος που αποφασίζει ποιες κάψουλες χαμηλότερου επιπέδου συνδέονται με ποιες κάψουλες υψηλότερου επιπέδου;
    • Πίσω διάδοση στο χρόνο
    • Απόκομμα ντεγκραντέ
    • Δυναμική δρομολόγηση βάσει συμφωνίας
    • Ομαλοποίηση παρτίδας
  4. Ποιος εισήγαγε το δίκτυο καψουλών με δυναμική δρομολόγηση το 2017;
    • Yann LeCun και συνεργάτες
    • Ian Goodfellow και συνεργάτες
    • Vaswani και συνεργάτες
    • Sabour, Frosst και Hinton
  5. Ποιος είναι ο σκοπός της λειτουργίας «squash» σε ένα δίκτυο καψουλών;
    • Για να ομαλοποιήσετε το μήκος του διανύσματος μεταξύ 0 και 1 διατηρώντας την κατεύθυνσή του
    • Για να διαγράψετε τις αχρησιμοποίητες κάψουλες
    • Για να μετατρέψετε εικόνες σε κλίμακα του γκρι
    • Για να αυξήσετε αυτόματα το βάθος του δικτύου
  6. Which result did the original 2017 CapsNet paper report as evidence for routing-by-agreement?
    • Lower memory use than every CNN on ImageNet
    • Better recognition of highly overlapping digits than a convolutional net
    • No need for a training objective
    • Perfect performance on all affine transformations
  7. In the original capsule representation, what information is carried by the direction of a capsule’s output vector?
    • The probability that the entity is absent
    • The number of routing iterations
    • Instantiation or pose parameters of the represented entity
    • The loss assigned to the previous layer
  8. In routing-by-agreement, what makes a lower capsule’s prediction agree with a higher-level capsule?
    • Their capsule names begin with the same letter
    • Their vector lengths are exactly zero
    • They occur in the same image crop
    • Their predicted and output vectors have a large scalar product