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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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