Test legat de ghid · Ușor Nivel

Test pentru creșterea datelor

Review data augmentation methods for images and text, including label-preserving transformations, mixing and learned policies.

Căi de ghidare aferenteAugmentarea datelor
Întrebare 1 de 8

Care este scopul principal al creșterii datelor?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Care este scopul principal al creșterii datelor?
    • Pentru a extinde și diversifica datele de antrenament, astfel încât modelele să se generalizeze mai bine
    • Pentru a accelera inferența pe un model antrenat
    • Pentru a comprima dimensiunea setului de date de pe disc
    • Pentru a eticheta automat exemplele neetichetate
  2. Care dintre acestea este o tehnică comună de mărire a imaginii?
    • Coborâre în gradient
    • Rasturnare orizontală aleatorie
    • Tokenizare
    • Abandonul
  3. Ce face traducerea inversă în creșterea textului?
    • Inversează ordinea cuvintelor dintr-o propoziție
    • Elimină toate cuvintele stop din text
    • Traduce textul în altă limbă și înapoi pentru a crea parafraze
    • Convertește textul în înglobări numerice
  4. De ce creșterile trebuie să „păstreze eticheta”?
    • Pentru a menține constantă dimensiunea fișierului setului de date
    • Pentru a face antrenamentul să ruleze mai repede
    • Pentru că modelele nu pot citi etichetele altfel
    • Pentru că schimbarea etichetei ar învăța modelul asocieri greșite
  5. Ce face tehnica Mixup?
    • Combină două exemple și etichetele acestora într-un singur eșantion de antrenament
    • Maschează o regiune dreptunghiulară a unei imagini
    • Caută automat cea mai bună politică de creștere
    • Adaugă zgomot aleatoriu greutăților modelului
  6. Când este mărirea datelor deosebit de valoroasă?
    • Când aveți deja date etichetate nelimitate
    • Când datele etichetate sunt rare și colectarea mai multor este dificilă
    • Doar atunci când modelul este pe deplin antrenat
    • Numai pentru datele din foile de calcul tabelare
  7. 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
  8. 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