Викторина, связанная с руководством · Жесткий Уровень

Викторина по капсульным сетям

Проверяет капсульные векторы, маршрутизацию от части к целому, информацию о положении, оценки согласованности и почему итеративная маршрутизация может быть дорогостоящей.

Связанные направляющие путиКапсульные сети
Вопрос 1 из 8

Что представляет собой ДЛИНА выходного вектора капсулы в капсульной сети?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что представляет собой ДЛИНА выходного вектора капсулы в капсульной сети?
    • Вероятность присутствия объекта
    • Цвет обнаруженного объекта
    • Скорость обучения для этого слоя
    • Количество нейронов в капсуле
  2. Для решения какой проблемы стандартных CNN были специально разработаны капсульные сети?
    • Медленное обучение на графических процессорах
    • Потеря пространственных отношений/отношений «часть-целое», например. принятие перепутанных частей лица
    • Невозможность обработки цветных изображений.
    • Слишком мало параметров для изучения
  3. Как называется алгоритм, который решает, какие капсулы нижнего уровня подключаются к каким капсулам более высокого уровня?
    • Обратное распространение ошибки во времени
    • Градиентное отсечение
    • Динамическая маршрутизация по соглашению
    • Пакетная нормализация
  4. Кто представил капсульную сеть с динамической маршрутизацией в 2017 году?
    • Янн ЛеКун и коллеги
    • Ян Гудфеллоу и коллеги
    • Васвани и коллеги
    • Сабур, Фрост и Хинтон
  5. Какова цель функции «сквоша» в капсульной сети?
    • Чтобы нормализовать длину вектора до значения от 0 до 1, сохраняя при этом его направление.
    • Удаление неиспользованных капсул
    • Чтобы преобразовать изображения в оттенки серого
    • Автоматическое увеличение глубины сети
  6. Which result did the original 2017 CapsNet paper report as evidence for routing-by-agreement?
    • Lower memory use than every CNN on ImageNet
    • Better recognition of highly overlapping digits than a convolutional net
    • No need for a training objective
    • Perfect performance on all affine transformations
  7. In the original capsule representation, what information is carried by the direction of a capsule’s output vector?
    • The probability that the entity is absent
    • The number of routing iterations
    • Instantiation or pose parameters of the represented entity
    • The loss assigned to the previous layer
  8. In routing-by-agreement, what makes a lower capsule’s prediction agree with a higher-level capsule?
    • Their capsule names begin with the same letter
    • Their vector lengths are exactly zero
    • They occur in the same image crop
    • Their predicted and output vectors have a large scalar product