Gids-gekoppelde quiz · Middelmatig Niveau

Quiz voor drop-out en stochastische regularisatie

Test willekeurige maskers, trainings- en inferentiemodi, omgekeerde schaling, co-adaptatielimieten, MC-uitval en variabele voorspellingen.

Vraag 1 van 8

Wat doet uitval tijdens de training?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat doet uitval tijdens de training?
    • Verwijdert gewichten permanent
    • Stelt bij elke voorwaartse doorgang willekeurig een fractie van de neuronuitgangen in op nul
    • Verdubbelt het leerpercentage
    • Voegt meer lagen toe aan het netwerk
  2. Waarom verbetert uitval de generalisatie?
    • Het vergroot het aantal parameters
    • Het elimineert de noodzaak voor trainingsgegevens
    • Het garandeert nul trainingsfouten
    • Het voorkomt dat neuronen zich gezamenlijk aanpassen en dwingt redundante, robuuste representaties af
  3. Wat gebeurt er met uitval tijdens de test (inferentie)?
    • Het is uitgeschakeld en het volledige netwerk wordt gebruikt
    • Het laat nog meer neuronen vallen
    • Het verwijdert de helft van de gewichten
    • Het randomiseert de labels
  4. Wat betekent een uitvalpercentage van p = 0,5 in een laag ongeveer tijdens de training?
    • Alle neuronen worden verwijderd
    • Er worden geen neuronen aangetast
    • Ongeveer de helft van de neuronen wordt bij elke doorgang op nul gezet
    • De laag wordt verwijderd
  5. Wat wordt uitval vaak als benaderend omschreven?
    • Een enkele lineaire regressie
    • Een beslisboom
    • Een Fourier-transformatie
    • Een ensemble van vele uitgedunde netwerken die gewichten delen
  6. Waar wordt Monte Carlo-uitval voor gebruikt?
    • Versnel het laden van gegevens
    • Schatten van de modelonzekerheid door uitval actief te houden bij gevolgtrekkingen
    • Het netwerk comprimeren tot minder gewichten
    • Automatisch labelen van de trainingsgegevens
  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