ड्रॉपआउट और स्टोकेस्टिक नियमितीकरण प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. प्रशिक्षण के दौरान ड्रॉपआउट क्या करता है?
   • वज़न को स्थायी रूप से हटा देता है
   • प्रत्येक फॉरवर्ड पास पर यादृच्छिक रूप से न्यूरॉन आउटपुट के एक अंश को शून्य पर सेट करता है
   • सीखने की दर दोगुनी हो जाती है
   • नेटवर्क में और अधिक परतें जोड़ता है
2. ड्रॉपआउट से सामान्यीकरण में सुधार क्यों होता है?
   • यह पैरामीटरों की संख्या बढ़ाता है
   • यह प्रशिक्षण डेटा की आवश्यकता को हटा देता है
   • यह शून्य प्रशिक्षण त्रुटि की गारंटी देता है
   • यह न्यूरॉन्स को सह-अनुकूलन से रोकता है और अनावश्यक, मजबूत प्रतिनिधित्व को मजबूर करता है
3. परीक्षण (अनुमान) समय पर ड्रॉपआउट का क्या होता है?
   • इसे बंद कर दिया जाता है और पूरे नेटवर्क का उपयोग किया जाता है
   • यह और भी अधिक न्यूरॉन्स गिरा देता है
   • यह आधा वजन हटा देता है
   • यह लेबलों को यादृच्छिक बनाता है
4. एक परत में पी = 0.5 की ड्रॉपआउट दर का प्रशिक्षण के दौरान मोटे तौर पर क्या मतलब है?
   • सभी न्यूरॉन्स हटा दिए जाते हैं
   • कोई न्यूरॉन प्रभावित नहीं होता
   • प्रत्येक पास में लगभग आधे न्यूरॉन्स शून्य हो जाते हैं
   • परत हटा दी गई है
5. ड्रॉपआउट को अक्सर अनुमानित रूप में क्या वर्णित किया जाता है?
   • एक एकल रेखीय प्रतिगमन
   • एक निर्णय वृक्ष
   • एक फूरियर रूपांतरण
   • वजन साझा करने वाले कई पतले नेटवर्कों का समूह
6. मोंटे कार्लो ड्रॉपआउट किसके लिए प्रयोग किया जाता है?
   • डेटा लोडिंग में तेजी लाना
   • अनुमान के समय ड्रॉपआउट को सक्रिय रखकर मॉडल अनिश्चितता का अनुमान लगाना
   • नेटवर्क को कम भार पर संपीड़ित करना
   • प्रशिक्षण डेटा को स्वचालित रूप से लेबल करना
7. With inverted dropout, why is no extra activation scaling normally needed at ordinary inference?
   • The keep probability becomes exactly zero
   • Inference always averages new random masks
   • Surviving activations were already scaled during training
   • Every weight is divided by the number of layers
8. The same input yields varying predictions because dropout remains active during evaluation. What explains the variation?
   • New random masks sample different subnetworks on each pass
   • The input changes its label by itself
   • The network has no trained weights
   • Batch size must be one