Вікторина, пов’язана з посібником · важко Рівень

Вікторина Capsule Networks

Перевіряє вектори капсули, маршрутизацію від частини до цілого, інформацію про пози, оцінки узгодженості та пояснює, чому ітераційна маршрутизація може бути дорогою.

Пов'язані напрямні шляхиКапсульні мережі
Питання 1 з 8

Що означає ДОВЖИНА вихідного вектора капсули в капсульній мережі?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що означає ДОВЖИНА вихідного вектора капсули в капсульній мережі?
    • Імовірність того, що сутність присутня
    • Колір виявленої функції
    • Швидкість навчання для цього шару
    • Кількість нейронів в капсулі
  2. Для вирішення якої проблеми зі стандартними CNN були розроблені капсульні мережі?
    • Повільне навчання на GPU
    • Втрата зв’язків між простором/частиною й цілим, напр. приймаючи переплутані частини обличчя
    • Неможливість обробки кольорових зображень
    • Замало параметрів для вивчення
  3. Як називається алгоритм, який визначає, які капсули нижчого рівня підключаються до яких капсул вищого рівня?
    • Зворотне поширення в часі
    • Градієнтне обрізання
    • Динамічна маршрутизація за погодженням
    • Пакетна нормалізація
  4. Хто представив капсульну мережу з динамічною маршрутизацією в 2017 році?
    • Янн ЛеКун та його колеги
    • Ян Гудфеллоу та його колеги
    • Васвані та його колеги
    • Сабур, Фросст і Хінтон
  5. Яка мета функції «сквош» у капсульній мережі?
    • Щоб нормалізувати довжину вектора між 0 і 1, зберігаючи його напрямок
    • Видалити невикористані капсули
    • Перетворення зображень у градації сірого
    • Щоб автоматично збільшити глибину мережі
  6. Which result did the original 2017 CapsNet paper report as evidence for routing-by-agreement?
    • Lower memory use than every CNN on ImageNet
    • Better recognition of highly overlapping digits than a convolutional net
    • No need for a training objective
    • Perfect performance on all affine transformations
  7. In the original capsule representation, what information is carried by the direction of a capsule’s output vector?
    • The probability that the entity is absent
    • The number of routing iterations
    • Instantiation or pose parameters of the represented entity
    • The loss assigned to the previous layer
  8. In routing-by-agreement, what makes a lower capsule’s prediction agree with a higher-level capsule?
    • Their capsule names begin with the same letter
    • Their vector lengths are exactly zero
    • They occur in the same image crop
    • Their predicted and output vectors have a large scalar product