Útmutatóhoz kapcsolódó kvíz · Könnyű Szint

Adatbővítési kvíz

Review data augmentation methods for images and text, including label-preserving transformations, mixing and learned policies.

Kapcsolódó útmutató utakAdatbővítés
kérdés 1 -ból 8

Mi az adatkiegészítés elsődleges célja?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi az adatkiegészítés elsődleges célja?
    • A képzési adatok bővítése és diverzifikálása, hogy a modellek jobban általánosíthatók legyenek
    • Képzett modellen a következtetések felgyorsítása
    • A lemezen lévő adatkészlet méretének tömörítése
    • A címkézetlen példák automatikus címkézéséhez
  2. Ezek közül melyik a gyakori képnövelő technika?
    • Gradiens süllyedés
    • Véletlenszerű vízszintes tükrözés
    • Tokenizálás
    • Lemorzsolódás
  3. Mit csinál a visszafordítás a szövegkiegészítésben?
    • Megfordítja a szavak sorrendjét a mondatban
    • Eltávolítja az összes stop szót a szövegből
    • Lefordítja a szöveget másik nyelvre és vissza, hogy parafrázisokat hozzon létre
    • A szöveget numerikus beágyazásokká alakítja
  4. Miért kell a kiegészítéseknek „címkemegőrzőnek” lenniük?
    • Az adatkészlet fájlméretének állandó tartása érdekében
    • Hogy az edzés gyorsabban fusson
    • Mivel a modellek nem tudják másképp olvasni a címkéket
    • Mert a címke megváltoztatása rossz asszociációkat tanítana meg a modellnek
  5. Mit csinál a Mixup technika?
    • Két példát és a hozzájuk tartozó címkéket egy képzési mintává keveri
    • Maszkolja a kép egy téglalap alakú részét
    • Automatikusan megkeresi a legjobb kiegészítési irányelvet
    • Véletlenszerű zajt ad a modellsúlyokhoz
  6. Mikor különösen értékes az adatbővítés?
    • Amikor már korlátlan számú címkézett adata van
    • Ha kevés a címkézett adat, és nehéz többet gyűjteni
    • Csak akkor, ha a modell teljesen betanított
    • Csak táblázatos táblázatos adatokhoz
  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