Útmutatóhoz kapcsolódó kvíz · Könnyű Szint

Mélytanulási kvíz

Teszteld a többrétegű hálózatokat, a paraméterszámolást, a nemlineáriságokat, a képzés és az inferencia közötti különbséget, a generalizációt és a modell pontszámainak kalibrált értelmezését.

Kapcsolódó útmutató utakMély tanulás
kérdés 1 -ból 8

Mit jelent a „mély” egy mélytanulási modellben?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit jelent a „mély” egy mélytanulási modellben?
    • Egy neurális hálózati architektúra több réteggel az input és output között
    • Egy modell, amely mély emberi szinten érti a témákat
    • Egy rendszer, amely csak rendkívül nagy adathalmazokon van kiképzve
    • Egy módszer, amely magasabb feladatpontosságot garantál
  2. Egy hálózatnak 2 bemenete, 3 és 2 egységű rejtett rétegei, valamint 1 kimenete van. Minden rejtett/kimeneti egységhez bias tartozik, hány súly és bias van összesen?
    • 14
    • 20
    • 18
    • 23
  3. Miért használunk nemlineáris aktivációkat a rejtett rétegek között?
    • Minden rejtett egységet címkézett tanulási példává alakítanak
    • Garantálják, hogy a hálózat általánosítson a láthatatlan adatokra
    • Nélkülük a lineáris transzformációk egymásra halmozása továbbra is lineáris transzformációt eredményez
    • Eltávolítják a tanult súlyok szükségességét
  4. Az inferencia során mi történik általában a betanított modell paramétereivel?
    • Minden bemenet után újra vannak tanítva
    • A promptban lévő címkékkel helyettesítik őket
    • Minden kimenet előtt visszaállítják őket
    • A modell ezeket használja egy bemenet feldolgozásához anélkül, hogy feltétlenül frissítené őket
  5. Egy modell szorosan illeszkedik a betanítási példákra, de gyenge teljesítményt nyújt hasonló, elkülönített adatokon. Milyen mintát mutat ez?
    • Túlszerelés
    • Alulilleszkedés
    • Jó általánosítás
    • Garancia arra, hogy a címkék helyesek
  6. Miért hasonlítunk össze egy mélyebb hálózatot egy egyszerűbb kiinduló modellel a tartalék példákon?
    • Mert az egyszerűbb modellek mindig felülmúlják a neurális hálózatokat
    • Azért, hogy lássuk, a hozzáadott komplexitás elég-e a feladat javításához ahhoz, hogy megérje a gyakorlati költségeket
    • Mert a mélyebb modelleket nem lehet új adatokon kiértékelni
    • Hiba minták ellenőrzésének elkerülése
  7. Egy osztályozó 0,9 pontszámot ad vissza. Mit állapít meg ez önmagában?
    • A jóslat 90%-ban helyes minden feladatnál
    • A modellt telepítési adatokkal kalibrálták
    • Ez egy modellpontszám, nem bizonyíték arra, hogy 90%-os helyesség van
    • A rendszer 90%-os bizonyossággal értelmezi a példát
  8. Mit bizonyít önmagában, ha több réteget adunk hozzá egy modellhez?
    • Hogy megértse a bemeneteket, mint egy ember
    • Hogy felülmúlja a egyszerűbb modellt
    • Hogy hibái ártalmatlanok legyenek
    • Semmi önmagában; értékelje a célzott feladaton és a releváns példákon