Quiz collegato alla guida · Medio Livello
Quiz sull'abbandono e sulla regolarizzazione stocastica
Testa maschere casuali, modalità di training e inferenza, ridimensionamento invertito, limiti di coadattamento, abbandono MC e previsioni variabili.
Domanda 1 di 8
Cosa fa l'abbandono durante la formazione?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa fa l'abbandono durante la formazione?
- Elimina i pesi in modo permanente
- Imposta casualmente una frazione di output dei neuroni su zero ad ogni passaggio in avanti
- Raddoppia il tasso di apprendimento
- Aggiunge più livelli alla rete
- Perché l’abbandono migliora la generalizzazione?
- Aumenta il numero di parametri
- Elimina la necessità di dati di addestramento
- Garantisce zero errori di addestramento
- Impedisce ai neuroni di coadattarsi e impone rappresentazioni ridondanti e robuste
- Cosa succede all'abbandono al momento del test (inferenza)?
- Viene disattivato e viene utilizzata l'intera rete
- Fa cadere ancora più neuroni
- Elimina la metà dei pesi
- Rende casuali le etichette
- Cosa significa più o meno un tasso di abbandono di p = 0,5 in uno strato durante l'allenamento?
- Tutti i neuroni vengono rimossi
- Nessun neurone è interessato
- Circa la metà dei neuroni viene azzerata ad ogni passaggio
- Il livello viene eliminato
- Che cosa viene spesso descritto come approssimativo?
- Una singola regressione lineare
- Un albero decisionale
- Una trasformata di Fourier
- Un insieme di tante reti assottigliate che condividono pesi
- A cosa serve il dropout Monte Carlo?
- Velocizzare il caricamento dei dati
- Stima dell'incertezza del modello mantenendo attivo il dropout durante l'inferenza
- Comprimere la rete a meno pesi
- Etichettatura automatica dei dati di allenamento
- 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