Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Keciciran dan Regularisasi Stokastik

Uji topeng rawak, mod latihan dan inferens, penskalaan terbalik, had penyesuaian bersama, keciciran MC dan ramalan berubah.

Laluan panduan yang berkaitanKeciciran Dan Regularisasi Stochastic
soalan 1 daripada 8

Apakah yang dilakukan keciciran semasa latihan?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah yang dilakukan keciciran semasa latihan?
    • Memadam berat secara kekal
    • Secara rawak menetapkan pecahan keluaran neuron kepada sifar pada setiap hantaran hadapan
    • Menggandakan kadar pembelajaran
    • Menambah lebih banyak lapisan pada rangkaian
  2. Mengapakah keciciran meningkatkan generalisasi?
    • Ia meningkatkan bilangan parameter
    • Ia menghilangkan keperluan untuk data latihan
    • Ia menjamin ralat latihan sifar
    • Ia menghalang neuron daripada menyesuaikan diri bersama dan memaksa perwakilan yang berlebihan dan mantap
  3. Apakah yang berlaku kepada keciciran pada masa ujian (inferens)?
    • Ia dimatikan dan rangkaian penuh digunakan
    • Ia menjatuhkan lebih banyak neuron
    • Ia memadam separuh berat
    • Ia secara rawak label
  4. Kadar keciciran p = 0.5 dalam satu lapisan bermakna kira-kira apa semasa latihan?
    • Semua neuron dikeluarkan
    • Tiada neuron terjejas
    • Kira-kira separuh neuron disifarkan setiap laluan
    • Lapisan dipadamkan
  5. Apakah keciciran yang sering digambarkan sebagai anggaran?
    • Regresi linear tunggal
    • Pokok keputusan
    • Transformasi Fourier
    • Satu kumpulan rangkaian nipis yang berkongsi berat
  6. Apakah kegunaan Monte Carlo yang tercicir?
    • Mempercepatkan pemuatan data
    • Menganggarkan ketidakpastian model dengan mengekalkan keciciran aktif pada inferens
    • Memampatkan rangkaian kepada pemberat yang lebih sedikit
    • Melabelkan data latihan secara automatik
  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