Gids-gekoppelde quiz · Gemakkelijk Niveau
Data-augmentatiequiz
Bekijk data-augmentatiemethoden voor afbeeldingen en tekst, inclusief label-behoudende transformaties, mixing en geleerd beleid.
Vraag 1 van 8
Wat is het primaire doel van data-vergroting?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het primaire doel van data-vergroting?
- Trainingsgegevens uitbreiden en diversifiëren, zodat modellen beter generaliseren
- Om de gevolgtrekking op een getraind model te versnellen
- Om de grootte van de dataset op schijf te comprimeren
- Om niet-gelabelde voorbeelden automatisch te labelen
- Welke van deze is een veelgebruikte beeldvergrotingstechniek?
- Gradiënt afdaling
- Willekeurig horizontaal spiegelen
- Tokenisatie
- Uitval
- Wat doet terugvertaling bij tekstvergroting?
- Draait de volgorde van woorden in een zin om
- Verwijdert alle stopwoorden uit de tekst
- Vertaalt tekst naar een andere taal en terug om parafrases te creëren
- Converteert tekst naar numerieke insluitingen
- Waarom moeten augmentaties 'labelbehoud' zijn?
- Om de bestandsgrootte van de dataset constant te houden
- Om de training sneller te laten verlopen
- Omdat modellen anders geen labels kunnen lezen
- Omdat het veranderen van het label het model verkeerde associaties zou aanleren
- Wat doet de Mixup-techniek?
- Combineert twee voorbeelden en hun labels tot één trainingsvoorbeeld
- Maskert een rechthoekig gebied van een afbeelding
- Zoekt automatisch naar het beste augmentatiebeleid
- Voegt willekeurige ruis toe aan modelgewichten
- Wanneer is data-vergroting vooral waardevol?
- Wanneer u al onbeperkt gelabelde gegevens heeft
- Wanneer gelabelde gegevens schaars zijn en het verzamelen van meer gegevens moeilijk is
- Alleen als het model volledig is getraind
- Alleen voor tabellarische spreadsheetgegevens
- What does CutMix do to an image and its training label?
- It adds a random word to a sentence without changing the label
- It swaps only class names in the dataset
- It replaces a patch with a patch from another image and mixes labels by the replaced area
- It blurs every input and keeps a single label unchanged
- How does AutoAugment select augmentation policies in its original paper?
- It chooses transformations from a fixed human-written list without evaluation
- It uses test labels to relabel training images
- It selects operations from inference-time confidence only
- It searches for policies using validation performance as a reward signal