แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการเข้ารหัสอัตโนมัติ
ตรวจสอบเป้าหมายการสร้างใหม่ การบีบอัดแฝง การดีนอยซ์ คุณสมบัติไม่เชิงเส้น และความแตกต่างระหว่างตัวเข้ารหัสอัตโนมัติแบบมาตรฐานและแบบแปรผัน
คำถาม 1 ของ 8
จุดประสงค์ของ 'คอขวด' (รหัสแฝง) ในโปรแกรมเข้ารหัสอัตโนมัติคืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- จุดประสงค์ของ 'คอขวด' (รหัสแฝง) ในโปรแกรมเข้ารหัสอัตโนมัติคืออะไร
- เพื่อบังคับให้เครือข่ายเข้าสู่รูปแบบกะทัดรัดที่รวบรวมโครงสร้างที่สำคัญ
- เพื่อเพิ่มพารามิเตอร์และเพิ่มความจุของโมเดล
- เพื่อจัดเก็บฉลากสำหรับการจำแนกประเภทภายใต้การดูแล
- เพื่อชะลอการฝึกเพื่อความมั่นคงที่ดีขึ้น
- เหตุใดตัวเข้ารหัสอัตโนมัติจึงถือว่ามีการดูแลตนเอง
- พวกเขาต้องการชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่
- เป้าหมายการฝึกคือการป้อนข้อมูลเอง จึงไม่จำเป็นต้องมีป้ายกำกับภายนอก
- มนุษย์ติดป้ายการสร้างใหม่แต่ละครั้งด้วยมือ
- ใช้ได้กับรูปภาพที่จัดประเภทไว้ล่วงหน้าเท่านั้น
- ตัวเข้ารหัสอัตโนมัติ denoising แตกต่างจากตัวเข้ารหัสมาตรฐานอย่างไร
- มันจะลบตัวถอดรหัสออกทั้งหมด
- ใช้งานได้กับข้อมูลข้อความเท่านั้น
- ได้รับการฝึกฝนให้สร้างอินพุตใหม่ทั้งหมดจากเวอร์ชันที่เสียหาย
- มันไม่จำเป็นต้องมีชั้นคอขวด
- อะไรทำให้ Variational Autoencoder (VAE) สามารถสร้างข้อมูลใหม่ได้
- โดยจะจดจำทุกตัวอย่างการฝึกอบรม
- มันไม่ใช้ตัวถอดรหัส
- มันแทนที่โครงข่ายประสาทเทียมด้วยแผนผังการตัดสินใจ
- โดยจะเรียนรู้พื้นที่แฝงที่ราบรื่นและน่าจะเป็นที่คุณสามารถสุ่มตัวอย่างได้
- ตัวเข้ารหัสอัตโนมัติเชิงเส้นที่ได้รับการฝึกโดยมีข้อผิดพลาดเฉลี่ยกำลังสองคล้ายกับเทคนิคคลาสสิกข้อใด
- การวิเคราะห์องค์ประกอบหลัก (PCA)
- การจัดกลุ่ม K-mean
- ต้นไม้การตัดสินใจ
- การถดถอยโลจิสติก
- เหตุใดตัวเข้ารหัสอัตโนมัติจึงเหมาะสมกับการตรวจจับความผิดปกติ
- พวกเขาติดป้ายความผิดปกติระหว่างการฝึก
- พวกเขาสร้างรูปแบบทั่วไปขึ้นใหม่ได้ดี แต่แสดงข้อผิดพลาดขนาดใหญ่ในรูปแบบที่หายากและมองไม่เห็น
- พวกเขาเพิกเฉยต่อข้อผิดพลาดในการสร้างใหม่ทั้งหมด
- พวกมันส่งออกเฉพาะการจำแนกประเภทไบนารี่เท่านั้น
- Which reconstruction loss does the guide associate with binary-pixel data?
- การสูญเสียมาร์จิ้น Triplet
- Temporal-difference error
- Cross-entropy
- Cosine annealing loss
- Why can nonlinear activations make an autoencoder more expressive than a linear one?
- They force the latent code to equal the input size
- They remove the decoder from the model
- They guarantee zero reconstruction error on unseen data
- They allow it to learn nonlinear or curved structures in the data