แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการออกกลางคันและการปรับมาตรฐาน Stochastic

ทดสอบมาสก์แบบสุ่ม โหมดการฝึกอบรมและการอนุมาน การสเกลแบบกลับด้าน ขีดจำกัดในการปรับเปลี่ยนร่วม การดร็อปเอาท์ MC และการคาดการณ์ตัวแปร

คำถาม 1 ของ 8

การออกกลางคันทำอะไรระหว่างการฝึก?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การออกกลางคันทำอะไรระหว่างการฝึก?
    • ลบน้ำหนักอย่างถาวร
    • สุ่มตั้งค่าเศษส่วนของเอาท์พุตของเซลล์ประสาทให้เป็นศูนย์ในแต่ละการส่งต่อ
    • เพิ่มอัตราการเรียนรู้เป็นสองเท่า
    • เพิ่มเลเยอร์ให้กับเครือข่ายมากขึ้น
  2. เหตุใดการออกกลางคันจึงปรับปรุงลักษณะทั่วไป
    • มันเพิ่มจำนวนพารามิเตอร์
    • โดยไม่จำเป็นต้องใช้ข้อมูลการฝึกอบรมอีกต่อไป
    • รับประกันข้อผิดพลาดในการฝึกเป็นศูนย์
    • จะป้องกันไม่ให้เซลล์ประสาทปรับตัวร่วมกันและบังคับให้มีการแสดงซ้ำซ้อนและมีประสิทธิภาพ
  3. จะเกิดอะไรขึ้นกับการออกจากระบบ ณ เวลาทดสอบ (การอนุมาน)
    • มันถูกปิดและใช้เครือข่ายเต็ม
    • มันทำให้เซลล์ประสาทลดลงมากยิ่งขึ้น
    • มันจะลบน้ำหนักครึ่งหนึ่ง
    • มันสุ่มฉลาก
  4. อัตราการออกกลางคันของ p = 0.5 ในเลเยอร์หมายถึงอะไรโดยประมาณระหว่างการฝึก
    • เซลล์ประสาททั้งหมดจะถูกลบออก
    • ไม่มีเซลล์ประสาทได้รับผลกระทบ
    • ประมาณครึ่งหนึ่งของเซลล์ประสาทจะถูกทำให้เป็นศูนย์ในแต่ละรอบ
    • เลเยอร์จะถูกลบ
  5. การออกกลางคันมักอธิบายว่าเป็นการประมาณอะไร
    • การถดถอยเชิงเส้นเดี่ยว
    • ต้นไม้การตัดสินใจ
    • การแปลงฟูริเยร์
    • กลุ่มของเครือข่ายแบบบางจำนวนมากที่มีน้ำหนักร่วมกัน
  6. การออกกลางคันของ Monte Carlo ใช้ทำอะไร?
    • การเร่งความเร็วในการโหลดข้อมูล
    • การประมาณความไม่แน่นอนของโมเดลโดยคงสถานะการออกกลางคันไว้ที่การอนุมาน
    • การบีบอัดเครือข่ายให้มีน้ำหนักน้อยลง
    • การติดฉลากข้อมูลการฝึกอบรมโดยอัตโนมัติ
  7. With inverted dropout, why is no extra activation scaling normally needed at ordinary inference?
    • The keep probability becomes exactly zero
    • Inference always averages new random masks
    • Surviving activations were already scaled during training
    • Every weight is divided by the number of layers
  8. The same input yields varying predictions because dropout remains active during evaluation. What explains the variation?
    • New random masks sample different subnetworks on each pass
    • The input changes its label by itself
    • The network has no trained weights
    • Batch size must be one