แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ง่าย ระดับ

แบบทดสอบการเพิ่มข้อมูล

ตรวจสอบวิธีการเพิ่มข้อมูลสำหรับรูปภาพและข้อความ รวมถึงการเปลี่ยนแปลงการรักษาป้ายกำกับ การผสมผสานและนโยบายที่เรียนรู้

เส้นทางแนะนำที่เกี่ยวข้องการเพิ่มข้อมูล
คำถาม 1 ของ 8

วัตถุประสงค์หลักของการเพิ่มข้อมูลคืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. วัตถุประสงค์หลักของการเพิ่มข้อมูลคืออะไร?
    • เพื่อขยายและกระจายข้อมูลการฝึกอบรมเพื่อให้แบบจำลองสามารถสรุปได้ดีขึ้น
    • เพื่อเร่งการอนุมานในโมเดลที่ผ่านการฝึกอบรมแล้ว
    • เพื่อบีบอัดขนาดของชุดข้อมูลบนดิสก์
    • เพื่อติดป้ายกำกับตัวอย่างที่ไม่มีป้ายกำกับโดยอัตโนมัติ
  2. ข้อใดเป็นเทคนิคการเพิ่มภาพทั่วไป
    • การไล่ระดับโคตร
    • การพลิกแนวนอนแบบสุ่ม
    • โทเค็น
    • การออกกลางคัน
  3. การแปลกลับทำอะไรในการเพิ่มข้อความ?
    • ย้อนกลับลำดับของคำในประโยค
    • ลบคำหยุดทั้งหมดออกจากข้อความ
    • แปลข้อความเป็นภาษาอื่นและกลับมาสร้างการถอดความ
    • แปลงข้อความเป็นการฝังตัวเลข
  4. ทำไมการเสริมจึงต้อง 'รักษาฉลาก'?
    • เพื่อให้ขนาดไฟล์ชุดข้อมูลคงที่
    • เพื่อให้การฝึกวิ่งเร็วขึ้น
    • เพราะรุ่นไม่สามารถอ่านฉลากเป็นอย่างอื่นได้
    • เพราะการเปลี่ยนป้ายจะสอนโมเดลการเชื่อมโยงที่ผิด
  5. เทคนิค Mixup ทำหน้าที่อะไร?
    • ผสมผสานสองตัวอย่างและป้ายกำกับไว้เป็นตัวอย่างการฝึกอบรมเดียว
    • มาสก์พื้นที่สี่เหลี่ยมของรูปภาพ
    • ค้นหานโยบายการเสริมที่ดีที่สุดโดยอัตโนมัติ
    • เพิ่มสัญญาณรบกวนแบบสุ่มให้กับน้ำหนักโมเดล
  6. การเพิ่มข้อมูลมีประโยชน์อย่างยิ่งเมื่อใด?
    • เมื่อคุณมีข้อมูลที่มีป้ายกำกับไม่จำกัดแล้ว
    • เมื่อข้อมูลที่ติดป้ายกำกับมีน้อยและการรวบรวมเพิ่มเป็นเรื่องยาก
    • เมื่อโมเดลได้รับการฝึกฝนอย่างเต็มที่เท่านั้น
    • สำหรับข้อมูลสเปรดชีตแบบตารางเท่านั้น
  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