Rehber bağlantılı sınav · Orta Seviye
Otomatik Kodlayıcılar Testi
Yeniden yapılandırma hedeflerini, gizli sıkıştırmayı, gürültü gidermeyi, doğrusal olmayan özellikleri ve standart ve değişken otomatik kodlayıcılar arasındaki farkları kontrol eder.
Soru 1 arasında 8
Otomatik kodlayıcıdaki 'darboğazın' (gizli kod) amacı nedir?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- Otomatik kodlayıcıdaki 'darboğazın' (gizli kod) amacı nedir?
- Ağı, temel yapıyı yakalayan kompakt bir temsile zorlamak için
- Daha fazla parametre eklemek ve model kapasitesini artırmak için
- Denetimli sınıflandırma için etiketleri depolamak için
- Daha iyi stabilite için antrenmanı yavaşlatmak
- Otomatik kodlayıcılar neden kendi kendini denetleyen olarak değerlendiriliyor?
- Çok büyük etiketli veri kümeleri gerektirirler
- Eğitim hedefi girdinin kendisidir, dolayısıyla hiçbir harici etikete gerek yoktur
- Bir insan her yeniden yapılanmayı elle etiketler
- Yalnızca önceden sınıflandırılmış görüntüler üzerinde çalışırlar
- Gürültü giderici bir otomatik kodlayıcının standart olandan farkı nedir?
- Kod çözücüyü tamamen kaldırır
- Yalnızca metin verileriyle çalışır
- Bozuk bir sürümden temiz bir girişi yeniden oluşturmak için eğitilmiştir
- Darboğaz katmanı gerektirmez
- Değişken bir otomatik kodlayıcının (VAE) yeni veriler üretmesini sağlayan şey nedir?
- Her eğitim örneğini ezberler
- Kod çözücü kullanmaz
- Sinir ağlarını karar ağaçlarıyla değiştirir
- Örnek alabileceğiniz düzgün, olasılığa dayalı bir gizli alan öğrenir
- Ortalama kare hatasıyla eğitilmiş doğrusal bir otomatik kodlayıcı, hangi klasik tekniğe çok benzer?
- Temel bileşen analizi (PCA)
- K-kümeleme anlamına gelir
- Karar ağaçları
- Lojistik regresyon
- Otomatik kodlayıcılar neden anormallik tespitine çok uygundur?
- Eğitim sırasında anormallikleri etiketlerler
- Yaygın kalıpları iyi bir şekilde yeniden oluştururlar ancak nadir görülen, görülmeyen kalıplarda büyük hatalar gösterirler.
- Yeniden yapılanma hatasını tamamen görmezden geliyorlar
- Yalnızca ikili sınıflandırmaların çıktısını verirler
- Which reconstruction loss does the guide associate with binary-pixel data?
- Üçlü marj kaybı
- Temporal-difference error
- Cross-entropy
- Cosine annealing loss
- 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