Bırakma ve Stokastik Düzenlileştirme Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Eğitim sırasında okulu bırakma ne yapar?
   • Ağırlıkları kalıcı olarak siler
   • Her ileri geçişte nöron çıktılarının bir kısmını rastgele sıfıra ayarlar
   • Öğrenme oranını iki katına çıkarır
   • Ağa daha fazla katman ekler
2. Bırakma neden genellemeyi geliştirir?
   • Parametre sayısını arttırır
   • Eğitim verilerine olan ihtiyacı ortadan kaldırır
   • Sıfır eğitim hatasını garanti eder
   • Nöronların birlikte uyum sağlamasını engeller ve gereksiz, sağlam temsilleri zorlar
3. Test (çıkarım) zamanında okulu bırakmaya ne olur?
   • Kapatılır ve tüm ağ kullanılır
   • Daha da fazla nöron düşüyor
   • Ağırlıkların yarısını siler
   • Etiketleri rastgele hale getirir
4. Bir katmanda p = 0,5'lik bir ayrılma oranı kabaca eğitim sırasında ne anlama gelir?
   • Tüm nöronlar kaldırıldı
   • Hiçbir nöron etkilenmez
   • Her geçişte nöronların yaklaşık yarısı sıfırlanır
   • Katman silindi
5. Genellikle yaklaşma olarak tanımlanan ayrılma nedir?
   • Tek bir doğrusal regresyon
   • Bir karar ağacı
   • Fourier dönüşümü
   • Ağırlıkları paylaşan birçok inceltilmiş ağdan oluşan bir topluluk
6. Monte Carlo terki ne için kullanılır?
   • Veri yüklemeyi hızlandırma
   • Çıkarımda bırakmayı aktif tutarak model belirsizliğini tahmin etme
   • Ağı daha az ağırlığa sıkıştırmak
   • Eğitim verilerini otomatik olarak etiketleme
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