Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Lemorzsolódás és sztochasztikus reguláris kvíz
Test random masks, training and inference modes, inverted scaling, co-adaptation limits, MC dropout, and variable predictions.
kérdés 1 -ból 8
Mit csinál a lemorzsolódás edzés közben?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit csinál a lemorzsolódás edzés közben?
- Véglegesen törli a súlyokat
- Véletlenszerűen nullára állítja a neuronkimenetek egy részét minden előrehaladáskor
- Megduplázza a tanulási sebességet
- További rétegeket ad a hálózathoz
- Miért javítja a lemorzsolódás az általánosítást?
- Növeli a paraméterek számát
- Megszünteti a képzési adatok szükségességét
- Ez garantálja a nulla edzési hibát
- Megakadályozza a neuronok koadaptációját, és redundáns, robusztus reprezentációkat kényszerít ki
- Mi történik a lemorzsolódással a teszt (következtetés) időpontjában?
- Ki van kapcsolva, és a teljes hálózat használatban van
- Még több idegsejtet dob el
- A súlyok felét törli
- Véletlenszerűvé teszi a címkéket
- A p = 0,5 lemorzsolódás egy rétegben nagyjából mit jelent az edzés során?
- Minden idegsejt eltávolításra kerül
- Nem érinti a neuronokat
- A neuronok körülbelül fele nullázódik minden egyes lépésben
- A réteg törlődik
- Mit neveznek gyakran közelítőnek a lemorzsolódásról?
- Egyetlen lineáris regresszió
- Egy döntési fa
- Fourier transzformáció
- Sok vékonyított hálózat együttese, amelyek súlya megoszlik
- Mire használják a Monte Carlo-i lemorzsolódást?
- Az adatbetöltés felgyorsítása
- A modell bizonytalanságának becslése a lemorzsolódás aktívan tartásával a következtetésnél
- A hálózat tömörítése kevesebb súlyra
- Az edzésadatok automatikus címkézése
- 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
- 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