Викторина, связанная с руководством · Легко Уровень

Викторина по дополнению данных

Ознакомьтесь с методами увеличения данных для изображений и текста, включая преобразования с сохранением меток, смешивание и изученные политики.

Связанные направляющие путиУвеличение данных
Вопрос 1 из 8

Какова основная цель увеличения данных?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какова основная цель увеличения данных?
    • Расширять и диверсифицировать обучающие данные, чтобы модели лучше обобщали.
    • Чтобы ускорить вывод на обученной модели
    • Чтобы сжать размер набора данных на диске
    • Автоматическая маркировка непомеченных примеров
  2. Какой из этих методов является распространенным методом увеличения изображения?
    • Градиентный спуск
    • Случайное горизонтальное переворот
    • Токенизация
    • Отсев
  3. Что делает обратный перевод при дополнении текста?
    • Меняет порядок слов в предложении
    • Удаляет все стоп-слова из текста
    • Переводит текст на другой язык и обратно для создания парафразов.
    • Преобразует текст в числовые представления
  4. Почему аугментации должны «сохранять ярлыки»?
    • Чтобы сохранить постоянный размер файла набора данных
    • Чтобы обучение проходило быстрее
    • Потому что иначе модели не смогут читать этикетки.
    • Потому что смена ярлыка научит модель неправильным ассоциациям.
  5. Что дает техника Mixup?
    • Объединяет два примера и их метки в одну обучающую выборку.
    • Маскирует прямоугольную область изображения.
    • Автоматический поиск лучшей политики расширения
    • Добавляет случайный шум к весам модели.
  6. Когда увеличение данных особенно ценно?
    • Если у вас уже есть неограниченное количество размеченных данных
    • Когда размеченных данных мало, а собрать больше сложно
    • Только когда модель полностью обучена
    • Только для табличных данных.
  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