Gids-gekoppelde quiz · Middelmatig Niveau

Autoencoders-quiz

Controleert reconstructiedoelen, latente compressie, ruisonderdrukking, niet-lineaire kenmerken en de verschillen tussen standaard- en variatie-autoencoders.

Gerelateerde gidspadenAutomatische encoders
Vraag 1 van 8

Wat is het doel van de 'bottleneck' (latente code) in een autoencoder?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is het doel van de 'bottleneck' (latente code) in een autoencoder?
    • Om het netwerk te dwingen tot een compacte representatie die de essentiële structuur vastlegt
    • Om meer parameters toe te voegen en de modelcapaciteit te vergroten
    • Om labels op te slaan voor gecontroleerde classificatie
    • Om de training te vertragen voor een betere stabiliteit
  2. Waarom worden autoencoders als zelfbeheerd beschouwd?
    • Ze vereisen enorme gelabelde datasets
    • Het trainingsdoel is de invoer zelf, er zijn dus geen externe labels nodig
    • Een mens labelt elke reconstructie met de hand
    • Ze werken alleen op vooraf geclassificeerde afbeeldingen
  3. Waarin verschilt een ruisonderdrukkingsautoencoder van een standaardautoencoder?
    • Het verwijdert de decoder volledig
    • Het werkt alleen met tekstgegevens
    • Het is getraind om een ​​schone invoer van een beschadigde versie te reconstrueren
    • Er is geen knelpuntlaag nodig
  4. Wat zorgt ervoor dat een Variational Autoencoder (VAE) nieuwe gegevens kan genereren?
    • Het onthoudt elk trainingsvoorbeeld
    • Er wordt geen decoder gebruikt
    • Het vervangt neurale netwerken door beslissingsbomen
    • Het leert een vloeiende, probabilistische latente ruimte kennen waaruit u kunt samplen
  5. Op welke klassieke techniek lijkt een lineaire autoencoder die is getraind met een gemiddelde kwadratische fout sterk op?
    • Hoofdcomponentenanalyse (PCA)
    • K-betekent clustering
    • Beslisbomen
    • Logistieke regressie
  6. Waarom zijn autoencoders goed geschikt voor het detecteren van afwijkingen?
    • Ze labelen afwijkingen tijdens de training
    • Ze reconstrueren algemene patronen goed, maar vertonen grote fouten in zeldzame, onzichtbare patronen
    • Ze negeren reconstructiefouten volledig
    • Ze voeren alleen binaire classificaties uit
  7. Which reconstruction loss does the guide associate with binary-pixel data?
    • Triplet-margeverlies
    • 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