Quiz collegato alla guida · Facile Livello
Quiz sull'aumento dei dati
Esamina i metodi di aumento dei dati per immagini e testo, comprese le trasformazioni che preservano l'etichetta, la combinazione e le politiche apprese.
Domanda 1 di 8
Qual è lo scopo principale dell'aumento dei dati?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è lo scopo principale dell'aumento dei dati?
- Per espandere e diversificare i dati di addestramento in modo che i modelli si generalizzino meglio
- Per accelerare l'inferenza su un modello addestrato
- Per comprimere la dimensione del set di dati su disco
- Per etichettare automaticamente gli esempi senza etichetta
- Quale di queste è una tecnica comune di aumento delle immagini?
- Discesa gradiente
- Capovolgimento orizzontale casuale
- Tokenizzazione
- Abbandono
- Cosa fa la traduzione inversa nell'aumento del testo?
- Inverte l'ordine delle parole in una frase
- Rimuove tutte le parole stop dal testo
- Traduce il testo in un'altra lingua e viceversa per creare parafrasi
- Converte il testo in incorporamenti numerici
- Perché gli aumenti devono preservare l'etichetta?
- Per mantenere costante la dimensione del file del set di dati
- Per rendere l'allenamento più veloce
- Perché altrimenti i modelli non possono leggere le etichette
- Perché cambiare l’etichetta insegnerebbe al modello associazioni sbagliate
- Cosa fa la tecnica Mixup?
- Unisce due esempi e le relative etichette in un unico campione di training
- Maschera un'area rettangolare di un'immagine
- Cerca automaticamente la migliore politica di aumento
- Aggiunge rumore casuale ai pesi del modello
- Quando l’aumento dei dati è particolarmente utile?
- Quando hai già dati etichettati illimitati
- Quando i dati etichettati sono scarsi e raccoglierne di più è difficile
- Solo quando il modello è completamente addestrato
- Solo per i dati dei fogli di calcolo tabulari
- 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