แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ง่าย ระดับ
แบบทดสอบการเพิ่มข้อมูล
ตรวจสอบวิธีการเพิ่มข้อมูลสำหรับรูปภาพและข้อความ รวมถึงการเปลี่ยนแปลงการรักษาป้ายกำกับ การผสมผสานและนโยบายที่เรียนรู้
คำถาม 1 ของ 8
วัตถุประสงค์หลักของการเพิ่มข้อมูลคืออะไร?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- วัตถุประสงค์หลักของการเพิ่มข้อมูลคืออะไร?
- เพื่อขยายและกระจายข้อมูลการฝึกอบรมเพื่อให้แบบจำลองสามารถสรุปได้ดีขึ้น
- เพื่อเร่งการอนุมานในโมเดลที่ผ่านการฝึกอบรมแล้ว
- เพื่อบีบอัดขนาดของชุดข้อมูลบนดิสก์
- เพื่อติดป้ายกำกับตัวอย่างที่ไม่มีป้ายกำกับโดยอัตโนมัติ
- ข้อใดเป็นเทคนิคการเพิ่มภาพทั่วไป
- การไล่ระดับโคตร
- การพลิกแนวนอนแบบสุ่ม
- โทเค็น
- การออกกลางคัน
- การแปลกลับทำอะไรในการเพิ่มข้อความ?
- ย้อนกลับลำดับของคำในประโยค
- ลบคำหยุดทั้งหมดออกจากข้อความ
- แปลข้อความเป็นภาษาอื่นและกลับมาสร้างการถอดความ
- แปลงข้อความเป็นการฝังตัวเลข
- ทำไมการเสริมจึงต้อง 'รักษาฉลาก'?
- เพื่อให้ขนาดไฟล์ชุดข้อมูลคงที่
- เพื่อให้การฝึกวิ่งเร็วขึ้น
- เพราะรุ่นไม่สามารถอ่านฉลากเป็นอย่างอื่นได้
- เพราะการเปลี่ยนป้ายจะสอนโมเดลการเชื่อมโยงที่ผิด
- เทคนิค Mixup ทำหน้าที่อะไร?
- ผสมผสานสองตัวอย่างและป้ายกำกับไว้เป็นตัวอย่างการฝึกอบรมเดียว
- มาสก์พื้นที่สี่เหลี่ยมของรูปภาพ
- ค้นหานโยบายการเสริมที่ดีที่สุดโดยอัตโนมัติ
- เพิ่มสัญญาณรบกวนแบบสุ่มให้กับน้ำหนักโมเดล
- การเพิ่มข้อมูลมีประโยชน์อย่างยิ่งเมื่อใด?
- เมื่อคุณมีข้อมูลที่มีป้ายกำกับไม่จำกัดแล้ว
- เมื่อข้อมูลที่ติดป้ายกำกับมีน้อยและการรวบรวมเพิ่มเป็นเรื่องยาก
- เมื่อโมเดลได้รับการฝึกฝนอย่างเต็มที่เท่านั้น
- สำหรับข้อมูลสเปรดชีตแบบตารางเท่านั้น
- 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
- 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