แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการออกกลางคันและการปรับมาตรฐาน Stochastic
ทดสอบมาสก์แบบสุ่ม โหมดการฝึกอบรมและการอนุมาน การสเกลแบบกลับด้าน ขีดจำกัดในการปรับเปลี่ยนร่วม การดร็อปเอาท์ MC และการคาดการณ์ตัวแปร
คำถาม 1 ของ 8
การออกกลางคันทำอะไรระหว่างการฝึก?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การออกกลางคันทำอะไรระหว่างการฝึก?
- ลบน้ำหนักอย่างถาวร
- สุ่มตั้งค่าเศษส่วนของเอาท์พุตของเซลล์ประสาทให้เป็นศูนย์ในแต่ละการส่งต่อ
- เพิ่มอัตราการเรียนรู้เป็นสองเท่า
- เพิ่มเลเยอร์ให้กับเครือข่ายมากขึ้น
- เหตุใดการออกกลางคันจึงปรับปรุงลักษณะทั่วไป
- มันเพิ่มจำนวนพารามิเตอร์
- โดยไม่จำเป็นต้องใช้ข้อมูลการฝึกอบรมอีกต่อไป
- รับประกันข้อผิดพลาดในการฝึกเป็นศูนย์
- จะป้องกันไม่ให้เซลล์ประสาทปรับตัวร่วมกันและบังคับให้มีการแสดงซ้ำซ้อนและมีประสิทธิภาพ
- จะเกิดอะไรขึ้นกับการออกจากระบบ ณ เวลาทดสอบ (การอนุมาน)
- มันถูกปิดและใช้เครือข่ายเต็ม
- มันทำให้เซลล์ประสาทลดลงมากยิ่งขึ้น
- มันจะลบน้ำหนักครึ่งหนึ่ง
- มันสุ่มฉลาก
- อัตราการออกกลางคันของ p = 0.5 ในเลเยอร์หมายถึงอะไรโดยประมาณระหว่างการฝึก
- เซลล์ประสาททั้งหมดจะถูกลบออก
- ไม่มีเซลล์ประสาทได้รับผลกระทบ
- ประมาณครึ่งหนึ่งของเซลล์ประสาทจะถูกทำให้เป็นศูนย์ในแต่ละรอบ
- เลเยอร์จะถูกลบ
- การออกกลางคันมักอธิบายว่าเป็นการประมาณอะไร
- การถดถอยเชิงเส้นเดี่ยว
- ต้นไม้การตัดสินใจ
- การแปลงฟูริเยร์
- กลุ่มของเครือข่ายแบบบางจำนวนมากที่มีน้ำหนักร่วมกัน
- การออกกลางคันของ Monte Carlo ใช้ทำอะไร?
- การเร่งความเร็วในการโหลดข้อมูล
- การประมาณความไม่แน่นอนของโมเดลโดยคงสถานะการออกกลางคันไว้ที่การอนุมาน
- การบีบอัดเครือข่ายให้มีน้ำหนักน้อยลง
- การติดฉลากข้อมูลการฝึกอบรมโดยอัตโนมัติ
- 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
- 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