Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Kapszula hálózatok kvíz

Checks capsule vectors, part-to-whole routing, pose information, agreement scores and why iterative routing can be costly.

Kapcsolódó útmutató utakKapszula hálózatok
kérdés 1 -ból 8

Mit jelent egy kapszula hálózatban a kapszula kimeneti vektorának HOSSZA?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit jelent egy kapszula hálózatban a kapszula kimeneti vektorának HOSSZA?
    • Annak a valószínűsége, hogy az entitás jelen van
    • Az észlelt jellemző színe
    • Az adott réteg tanulási sebessége
    • A neuronok száma a kapszulában
  2. Milyen problémára tervezték a kapszulahálózatokat a szabványos CNN-ekkel?
    • Lassú képzés GPU-kon
    • Térbeli/rész-egész kapcsolatok elvesztése, pl. összekavarodott arcrészek elfogadása
    • A színes képek feldolgozásának képtelensége
    • Túl kevés paramétert kell megtanulni
  3. Mi a neve annak az algoritmusnak, amely eldönti, hogy melyik alacsonyabb szintű kapszula melyik magasabb szintű kapszulához csatlakozzon?
    • Visszaterjesztés az időben
    • Gradiens vágás
    • Dinamikus útválasztás megállapodásonként
    • Kötegelt normalizálás
  4. Ki vezette be a kapszulahálózatot dinamikus útválasztással 2017-ben?
    • Yann LeCun és munkatársai
    • Ian Goodfellow és munkatársai
    • Vaswani és munkatársai
    • Sabour, Frosst és Hinton
  5. Mi a célja a „squash” funkciónak egy kapszulahálózatban?
    • A vektor hosszának normalizálása 0 és 1 közé, az irány megtartása mellett
    • A fel nem használt kapszulák törléséhez
    • Képek konvertálása szürkeárnyalatossá
    • A hálózat mélységének automatikus növelése
  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