Maswali ya Kuongeza Data

Majibu na maelezo huonekana unapojibu maswali.

1. Madhumuni ya msingi ya kuongeza data ni nini?
   • Kupanua na kubadilisha data ya mafunzo ili miundo ijumuishe vyema
   • Ili kuharakisha uelekezaji kwenye modeli iliyofunzwa
   • Ili kubana saizi ya seti ya data kwenye diski
   • Kuweka lebo kwa mifano isiyo na lebo kiotomatiki
2. Ni ipi kati ya hizi ni mbinu ya kawaida ya kuongeza picha?
   • Kushuka kwa gradient
   • Kugeuza bila mpangilio mlalo
   • Uwekaji alama
   • Kuacha
3. Utafsiri wa nyuma hufanya nini katika uongezaji wa maandishi?
   • Hugeuza mpangilio wa maneno katika sentensi
   • Huondoa maneno yote ya kuacha kutoka kwa maandishi
   • Hutafsiri maandishi kwa lugha nyingine na kurudi ili kuunda vifungu vya maneno
   • Hubadilisha maandishi kuwa upachikaji wa nambari
4. Kwa nini nyongeza lazima 'zihifadhi lebo'?
   • Ili kuweka saizi ya faili ya seti ya data sawa
   • Kufanya mafunzo kukimbia haraka
   • Kwa sababu miundo haiwezi kusoma lebo vinginevyo
   • Kwa sababu kubadilisha lebo kunaweza kufundisha mfano wa vyama vibaya
5. Mbinu ya Mchanganyiko hufanya nini?
   • Huchanganya mifano miwili na lebo zake kuwa sampuli moja ya mafunzo
   • Hufunika eneo la mstatili wa picha
   • Hutafuta sera bora zaidi ya uongezaji kiotomatiki
   • Huongeza kelele nasibu kwa uzani wa mfano
6. Je, ni wakati gani kuongeza data ni muhimu sana?
   • Wakati tayari una data isiyo na kikomo yenye lebo
   • Wakati data iliyo na lebo ni chache na kukusanya zaidi ni ngumu
   • Tu wakati mfano umefunzwa kikamilifu
   • Kwa data ya lahajedwali ya jedwali pekee
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