Gids-gekoppelde quiz · Middelmatig Niveau

Testtijd-vergrotingsquiz

Controleert hoe testtijdaugmentatie voorspellingen van vaste modellen aggregeert, als dat helpt, wat de rekenkosten zijn en de vereisten voor transformatie-uitlijning.

Gerelateerde gidspadenVerhoging van de testtijd
Vraag 1 van 8

At inference time, what does test-time augmentation do with a single input?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. At inference time, what does test-time augmentation do with a single input?
    • Het vaste model uitvoeren op verschillende getransformeerde kopieën van een invoer en de uitvoer combineren
    • Het model opnieuw trainen op basis van uitgebreide gegevens telkens wanneer er een query op wordt uitgevoerd
    • Ruis toevoegen aan de gewichten van het model vóór elke voorspelling
    • Het model comprimeren zodat het sneller werkt bij gevolgtrekking
  2. When can pooling predictions from transformed views reduce prediction variance?
    • When every view changes the true class
    • When the transforms preserve the label and the view errors are at least partly uncorrelated
    • When all predictions are identical by design
    • When the model is retrained on each transformed copy
  3. Wat zijn de belangrijkste kosten van het gebruik van TTA?
    • Het vereist gelabelde testgegevens
    • Het verandert permanent de getrainde gewichten
    • Het vergroot de gevolgtrekkingsberekening omdat het model meerdere keren per monster wordt uitgevoerd
    • Het vermindert de modelnauwkeurigheid bij schone invoer
  4. Welke augmentatiekeuze zou een cijferclassificator daadwerkelijk kunnen schaden?
    • Kleine helderheidsveranderingen
    • Kleine willekeurige gewassen
    • Een beetje Gaussiaanse ruis toevoegen
    • Een '6' horizontaal omdraaien zodat deze op een '9' kan lijken
  5. Welke extra stap is er bij segmentatie nodig voordat de TTA-output wordt gemiddeld?
    • Elke geometrische transformatie wordt omgekeerd, zodat de voorspelde maskers opnieuw worden uitgelijnd met de originele pixels
    • De decoder opnieuw trainen voor elke weergave
    • Alle omgedraaide weergaven worden genegeerd
    • Maskers converteren naar selectiekaders
  6. For a classification model, what may be aggregated across test-time views?
    • The model’s training labels
    • The predicted probabilities or logits from the views
    • The input image file names
    • The optimizer momentum buffers
  7. Does standard test-time augmentation require retraining the model on new labels?
    • Yes; each view needs a newly trained model
    • Yes; it requires extra class labels for every view
    • No; it reuses fixed weights and evaluates transformed inputs at inference
    • No; it replaces the model with a lookup table
  8. A segmentation model predicts masks on flipped and cropped views. What must happen before pixelwise pooling?
    • Average masks before undoing the transforms
    • Discard the original image coordinates
    • Apply a different label to each pixel view
    • Invert the geometric transforms so all masks align with the original image coordinates