Útmutatóhoz kapcsolódó kvíz · Könnyű Szint
Adatbővítési kvíz
Review data augmentation methods for images and text, including label-preserving transformations, mixing and learned policies.
kérdés 1 -ból 8
Mi az adatkiegészítés elsődleges célja?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- 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
- Ezek közül melyik a gyakori képnövelő technika?
- Gradiens süllyedés
- Véletlenszerű vízszintes tükrözés
- Tokenizálás
- Lemorzsolódás
- 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
- 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
- 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
- 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
- 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
- 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