Kuis DenseNet dan Konektivitas Padat

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Operasi apa yang digunakan DenseNet untuk menggabungkan peta fitur dari lapisan sebelumnya?
   • Penggabungan berdasarkan saluran
   • Penambahan berdasarkan elemen
   • Penggabungan maksimal di seluruh lapisan
   • Perkalian berdasarkan elemen
2. Di DenseNet, apa yang dikendalikan oleh 'tingkat pertumbuhan'?
   • Jadwal kecepatan pembelajaran
   • Ukuran jendela pengumpulan
   • Jumlah peta fitur baru yang dihasilkan setiap lapisan
   • Jumlah blok padat
3. Berapa banyak koneksi langsung yang ada di antara lapisan L dalam blok padat?
   • L
   • L(L+1)/2
   • 2L
   • L kuadrat
4. Apa tujuan utama lapisan transisi di DenseNet?
   • Untuk menambahkan pintasan sisa
   • Untuk meningkatkan laju pertumbuhan
   • Untuk melamar dropout saja
   • Untuk mengurangi sampel dan mengurangi ukuran peta fitur di antara blok padat
5. Manfaat utama dari konektivitas yang padat adalah membantu mengurangi masalah pelatihan yang mana?
   • Terlalu pas untuk diwarnai
   • Ukuran batch yang meledak
   • Masalah gradien hilang
   • Kebisingan label
6. Dibandingkan dengan ResNet dengan akurasi serupa di ImageNet, DenseNet-BC biasanya menggunakan:
   • Parameter yang jauh lebih sedikit
   • Parameter yang jauh lebih banyak
   • Tentang parameter yang sama
   • Tidak ada konvolusi sama sekali
7. A late DenseNet layer needs an edge feature learned near the input. Why can it use that map directly?
   • Only the final layer can see edge features
   • DenseNet resets all maps after each layer
   • Transition layers reconstruct every earlier map from scratch
   • Earlier feature maps remain among its concatenated inputs
8. A dense block begins with m channels and three layers each add k new maps. How many channels emerge before a transition?
   • 3m + k
   • m + 3k
   • m times k cubed
   • Only k, because old maps are discarded