Kuiz berkaitan panduan · Keras Tahap

Kuiz Model Berasaskan Tenaga

Gunakan kebarangkalian berasaskan tenaga, fungsi sekatan dan kecerunan skor, termasuk cara tenaga relatif menentukan nisbah taburan ternormal.

Laluan panduan yang berkaitanModel Berasaskan Tenaga
soalan 1 daripada 8

Dalam model berasaskan tenaga, bagaimanakah hubungan tenaga dengan kebarangkalian titik data?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Dalam model berasaskan tenaga, bagaimanakah hubungan tenaga dengan kebarangkalian titik data?
    • Tenaga tinggi bermakna kebarangkalian tinggi
    • Tenaga rendah bermakna kebarangkalian tinggi (p(x) adalah berkadar dengan exp(-E(x)))
    • Tenaga dan kebarangkalian tidak berkaitan
    • Kebarangkalian sama dengan tenaga secara langsung
  2. Apakah yang menyukarkan latihan model berasaskan tenaga?
    • Fungsi tenaga tidak boleh menjadi rangkaian saraf
    • Mereka memerlukan data berlabel sahaja
    • Mereka tidak boleh mewakili imej
    • Fungsi partition Z (penormal ke atas semua input) biasanya sukar untuk dikira
  3. Kaedah persampelan manakah yang biasa digunakan untuk mengambil sampel daripada EBM?
    • Dinamik Langevin (MCMC berasaskan kecerunan)
    • Carian rasuk
    • Quicksort
    • Hantaran ke hadapan tunggal
  4. Mengapa kaedah seperti padanan skor boleh mengelakkan pengiraan fungsi partition Z?
    • Kerana Z sentiasa sama dengan 1
    • Kerana mereka mengabaikan fungsi tenaga
    • Kerana kecerunan log p(x) ialah -kecerunan E(x), dan Z (pemalar dalam x) tercicir apabila membezakan
    • Kerana mereka hanya berfungsi pada data diskret
  5. Antara berikut, yang manakah model berasaskan tenaga klasik?
    • Pengubah
    • Pokok keputusan
    • Algoritma k-means
    • Rangkaian Hopfield
  6. For a differentiable EBM density with Z constant in x, how does its score relate to energy?
    • The score equals the partition function itself
    • The score equals the negative input gradient of energy
    • The score ignores the learned energy entirely
    • The score is always the positive energy gradient
  7. An EBM adds the same constant c to every E(x). What happens to normalized probabilities?
    • Every probability increases by c
    • All inputs become equally probable
    • They remain unchanged after the partition function is adjusted
    • The normalizer must be set to zero
  8. For two configurations with E(a) lower than E(b), what follows under the same normalized Gibbs model?
    • Configuration a has greater probability than b
    • Configuration b has greater probability because its energy is higher
    • Both probabilities must be exactly one
    • The comparison requires different partition functions for each point