Test legat de ghid · Mediu Nivel

Quiz privind abandonul și regularizarea stocastică

Testați măști aleatorii, moduri de antrenament și inferență, scalare inversată, limite de coadaptare, abandon MC și predicții variabile.

Căi de ghidare aferenteAbandonul și regularizarea stocastică
Întrebare 1 de 8

Ce face abandonul în timpul antrenamentului?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce face abandonul în timpul antrenamentului?
    • Șterge greutățile definitiv
    • Setează aleatoriu o parte din ieșirile neuronilor la zero la fiecare trecere înainte
    • Dublează rata de învățare
    • Adaugă mai multe straturi la rețea
  2. De ce abandonul îmbunătățește generalizarea?
    • Mărește numărul de parametri
    • Îndepărtează nevoia de date de antrenament
    • Acesta garantează zero eroare de antrenament
    • Împiedică co-adaptarea neuronilor și forțează reprezentări redundante și robuste
  3. Ce se întâmplă cu abandonul la momentul testării (inferenței)?
    • Este oprit și este utilizată întreaga rețea
    • Scade și mai mulți neuroni
    • Acesta șterge jumătate din greutăți
    • Randomizează etichetele
  4. O rată de abandon de p = 0,5 într-un strat înseamnă aproximativ ce înseamnă în timpul antrenamentului?
    • Toți neuronii sunt eliminați
    • Niciun neuron nu este afectat
    • Aproximativ jumătate din neuroni sunt reduși la zero la fiecare trecere
    • Stratul este șters
  5. Ce este adesea descris ca fiind aproximativ abandonul?
    • O singură regresie liniară
    • Un arbore de decizie
    • O transformată Fourier
    • Un ansamblu de multe rețele subțiate care împart greutăți
  6. Pentru ce se folosește abandonul Monte Carlo?
    • Accelerarea încărcării datelor
    • Estimarea incertitudinii modelului prin menținerea activă a abandonului la inferență
    • Comprimarea rețelei la mai puține greutăți
    • Etichetarea automată a datelor de antrenament
  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