แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการเข้ารหัสอัตโนมัติ

ตรวจสอบเป้าหมายการสร้างใหม่ การบีบอัดแฝง การดีนอยซ์ คุณสมบัติไม่เชิงเส้น และความแตกต่างระหว่างตัวเข้ารหัสอัตโนมัติแบบมาตรฐานและแบบแปรผัน

เส้นทางแนะนำที่เกี่ยวข้องตัวเข้ารหัสอัตโนมัติ
คำถาม 1 ของ 8

จุดประสงค์ของ 'คอขวด' (รหัสแฝง) ในโปรแกรมเข้ารหัสอัตโนมัติคืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. จุดประสงค์ของ 'คอขวด' (รหัสแฝง) ในโปรแกรมเข้ารหัสอัตโนมัติคืออะไร
    • เพื่อบังคับให้เครือข่ายเข้าสู่รูปแบบกะทัดรัดที่รวบรวมโครงสร้างที่สำคัญ
    • เพื่อเพิ่มพารามิเตอร์และเพิ่มความจุของโมเดล
    • เพื่อจัดเก็บฉลากสำหรับการจำแนกประเภทภายใต้การดูแล
    • เพื่อชะลอการฝึกเพื่อความมั่นคงที่ดีขึ้น
  2. เหตุใดตัวเข้ารหัสอัตโนมัติจึงถือว่ามีการดูแลตนเอง
    • พวกเขาต้องการชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่
    • เป้าหมายการฝึกคือการป้อนข้อมูลเอง จึงไม่จำเป็นต้องมีป้ายกำกับภายนอก
    • มนุษย์ติดป้ายการสร้างใหม่แต่ละครั้งด้วยมือ
    • ใช้ได้กับรูปภาพที่จัดประเภทไว้ล่วงหน้าเท่านั้น
  3. ตัวเข้ารหัสอัตโนมัติ denoising แตกต่างจากตัวเข้ารหัสมาตรฐานอย่างไร
    • มันจะลบตัวถอดรหัสออกทั้งหมด
    • ใช้งานได้กับข้อมูลข้อความเท่านั้น
    • ได้รับการฝึกฝนให้สร้างอินพุตใหม่ทั้งหมดจากเวอร์ชันที่เสียหาย
    • มันไม่จำเป็นต้องมีชั้นคอขวด
  4. อะไรทำให้ Variational Autoencoder (VAE) สามารถสร้างข้อมูลใหม่ได้
    • โดยจะจดจำทุกตัวอย่างการฝึกอบรม
    • มันไม่ใช้ตัวถอดรหัส
    • มันแทนที่โครงข่ายประสาทเทียมด้วยแผนผังการตัดสินใจ
    • โดยจะเรียนรู้พื้นที่แฝงที่ราบรื่นและน่าจะเป็นที่คุณสามารถสุ่มตัวอย่างได้
  5. ตัวเข้ารหัสอัตโนมัติเชิงเส้นที่ได้รับการฝึกโดยมีข้อผิดพลาดเฉลี่ยกำลังสองคล้ายกับเทคนิคคลาสสิกข้อใด
    • การวิเคราะห์องค์ประกอบหลัก (PCA)
    • การจัดกลุ่ม K-mean
    • ต้นไม้การตัดสินใจ
    • การถดถอยโลจิสติก
  6. เหตุใดตัวเข้ารหัสอัตโนมัติจึงเหมาะสมกับการตรวจจับความผิดปกติ
    • พวกเขาติดป้ายความผิดปกติระหว่างการฝึก
    • พวกเขาสร้างรูปแบบทั่วไปขึ้นใหม่ได้ดี แต่แสดงข้อผิดพลาดขนาดใหญ่ในรูปแบบที่หายากและมองไม่เห็น
    • พวกเขาเพิกเฉยต่อข้อผิดพลาดในการสร้างใหม่ทั้งหมด
    • พวกมันส่งออกเฉพาะการจำแนกประเภทไบนารี่เท่านั้น
  7. Which reconstruction loss does the guide associate with binary-pixel data?
    • การสูญเสียมาร์จิ้น Triplet
    • Temporal-difference error
    • Cross-entropy
    • Cosine annealing loss
  8. 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