Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Αύξησης Mixup και CutMix

Δοκιμάστε μεικτές εισόδους και ετικέτες, ορθογώνια επιθέματα CutMix, βάρη περιοχής, δειγματοληψία Beta και αριθμητικές αναλογίες στόχου και για τις δύο μεθόδους.

Σχετικές διαδρομές οδηγώνΑύξηση Mixup And Cutmix
Ερώτηση 1 του 8

Πώς δημιουργεί το Mixup ένα νέο παράδειγμα εκπαίδευσης;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Πώς δημιουργεί το Mixup ένα νέο παράδειγμα εκπαίδευσης;
    • Περιστρέφοντας μια εικόνα και κρατώντας την ετικέτα της
    • Περικόπτοντας ένα τυχαίο τετράγωνο και απορρίπτοντάς το
    • Μετατρέποντας την εικόνα σε κλίμακα του γκρι
    • Με γραμμική παρεμβολή δύο εικόνων και των ετικετών τους με ένα βάρος λάμδα
  2. Ποια είναι η βασική διαφορά μεταξύ CutMix και Mixup;
    • Το CutMix χρησιμοποιεί μόνο μία εικόνα ενώ το Mixup χρησιμοποιεί δύο
    • Το CutMix επικολλά ένα ορθογώνιο patch από τη μια εικόνα στην άλλη αντί να συνδυάζει εικονοστοιχεία παντού
    • Το CutMix αλλάζει μόνο την ετικέτα και ποτέ την εικόνα
    • Το CutMix ισχύει αποκλειστικά για δεδομένα κειμένου
  3. Στο CutMix, πώς προσδιορίζεται το βάρος ανάμειξης (λάμδα) για τις ετικέτες;
    • Είναι πάντα σταθερό στο 0,5
    • Από τη φωτεινότητα της φωτεινότερης εικόνας
    • Με την αναλογία της περιοχής pixel κάθε εικόνα συνεισφέρει
    • Τυχαία, χωρίς καμία σχέση με τις εικόνες
  4. Εκτός από την εικόνα εισόδου, τι άλλο τροποποιούν το Mixup και το CutMix;
    • Η ετικέτα, μετατρέποντάς την σε ένα μαλακό μεικτό στόχο
    • Το ποσοστό εκμάθησης του βελτιστοποιητή
    • Ο αριθμός των επιπέδων στο δίκτυο
    • Το μέγεθος της παρτίδας
  5. Ποια κατανομή χρησιμοποιείται συνήθως για τη δειγματοληψία του συντελεστή ανάμειξης λάμδα;
    • Ομοιόμορφη κατανομή σε ακέραιους αριθμούς
    • Διανομή beta
    • Κατανομή Poisson
    • Κατανομή Bernoulli με p σταθερό στο 1
  6. Ένα τεκμηριωμένο όφελος από αυτές τις αυξήσεις ανάμειξης βελτιώνεται:
    • Συμπίεση του εκπαιδευμένου αρχείου μοντέλου
    • Ταχύτητα προπόνησης αφαιρώντας την ανάγκη για backpropagation
    • Δυνατότητα εκπαίδευσης χωρίς ετικέτες
    • Στιβαρότητα και βαθμονόμηση εκτός από ακρίβεια
  7. Mixup uses lambda = 0.25 for image A and one minus lambda for image B. What target weights follow?
    • 25% A and 75% B
    • 75% A and 25% B
    • 50% each regardless of lambda
    • 100% A because it is listed first
  8. A CutMix patch replaces 20% of image A’s pixel area with image B. What label weights does the stated area rule use?
    • 20% A and 80% B
    • 100% B for any patch
    • 80% A and 20% B
    • 50% each for all rectangles