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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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