Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Autoencoders

Menyemak sasaran pembinaan semula, mampatan terpendam, denoising, ciri tak linear dan perbezaan antara pengekod auto standard dan variasi.

Laluan panduan yang berkaitanPengekod automatik
soalan 1 daripada 8

Apakah tujuan 'bottleneck' (kod pendam) dalam pengekod automatik?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah tujuan 'bottleneck' (kod pendam) dalam pengekod automatik?
    • Untuk memaksa rangkaian menjadi perwakilan padat yang menangkap struktur penting
    • Untuk menambah lebih banyak parameter dan meningkatkan kapasiti model
    • Untuk menyimpan label untuk pengelasan yang diawasi
    • Untuk melambatkan latihan untuk kestabilan yang lebih baik
  2. Mengapakah pengekod auto dianggap diselia sendiri?
    • Mereka memerlukan set data berlabel besar
    • Sasaran latihan ialah input itu sendiri, jadi tiada label luaran diperlukan
    • Seorang manusia melabel setiap pembinaan semula dengan tangan
    • Mereka hanya berfungsi pada imej pra-kelas
  3. Bagaimanakah pengekod auto denoising berbeza daripada pengekod standard?
    • Ia mengeluarkan penyahkod sepenuhnya
    • Ia hanya berfungsi dengan data teks
    • Ia dilatih untuk membina semula input bersih daripada versi yang rosak
    • Ia tidak memerlukan lapisan kesesakan
  4. Apakah yang membuatkan pengekod auto variasi (VAE) dapat menjana data baharu?
    • Ia menghafal setiap contoh latihan
    • Ia tidak menggunakan penyahkod
    • Ia menggantikan rangkaian saraf dengan pokok keputusan
    • Ia mempelajari ruang terpendam yang lancar dan berkebarangkalian yang boleh anda sampel
  5. Pengekod auto linear yang dilatih dengan ralat kuasa dua min hampir sama dengan teknik klasik yang manakah?
    • Analisis komponen utama (PCA)
    • K-bermaksud pengelompokan
    • Pokok keputusan
    • Regresi logistik
  6. Mengapakah pengekod auto sesuai untuk pengesanan anomali?
    • Mereka melabelkan anomali semasa latihan
    • Mereka membina semula corak biasa dengan baik tetapi menunjukkan ralat besar pada corak yang jarang ditemui dan tidak kelihatan
    • Mereka mengabaikan ralat pembinaan semula sepenuhnya
    • Mereka hanya mengeluarkan klasifikasi binari
  7. Which reconstruction loss does the guide associate with binary-pixel data?
    • Kehilangan margin tiga kali ganda
    • Temporal-difference error
    • Cross-entropy
    • Cosine annealing loss
  8. Why can nonlinear activations make an autoencoder more expressive than a linear one?
    • They force the latent code to equal the input size
    • They remove the decoder from the model
    • They guarantee zero reconstruction error on unseen data
    • They allow it to learn nonlinear or curved structures in the data