Вікторина, пов’язана з посібником · легко Рівень

Вікторина щодо збільшення даних

Ознайомтеся з методами збільшення даних для зображень і тексту, включаючи перетворення зі збереженням міток, змішування та вивчені політики.

Пов'язані напрямні шляхиЗбільшення даних
Питання 1 з 8

Яка основна мета розширення даних?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яка основна мета розширення даних?
    • Щоб розширити та урізноманітнити навчальні дані, щоб моделі краще узагальнювали
    • Щоб прискорити висновок на навченій моделі
    • Щоб стиснути розмір набору даних на диску
    • Для автоматичного позначення непозначених прикладів
  2. Яка з них є поширеною технікою збільшення зображення?
    • Градієнтний спуск
    • Випадкове горизонтальне гортання
    • Токенізація
    • Вибуття
  3. Що робить зворотний переклад у доповненні тексту?
    • Змінює порядок слів у реченні на зворотний
    • Видаляє всі стоп-слова з тексту
    • Перекладає текст іншою мовою та назад для створення парафраз
    • Перетворює текст на числові вставки
  4. Чому доповнення мають «зберігати мітки»?
    • Щоб зберегти постійний розмір файлу набору даних
    • Щоб навчання проходило швидше
    • Оскільки інакше моделі не можуть читати етикетки
    • Оскільки зміна мітки навчить модель неправильним асоціаціям
  5. Що робить техніка Mixup?
    • Змішує два приклади та їхні мітки в один навчальний зразок
    • Маскує прямокутну область зображення
    • Автоматичний пошук найкращої політики доповнення
    • Додає випадковий шум до ваг моделі
  6. Коли збільшення даних є особливо цінним?
    • Коли у вас вже є необмежена кількість позначених даних
    • Коли мічених даних мало, і зібрати більше складно
    • Тільки тоді, коли модель повністю навчена
    • Тільки для табличних даних електронної таблиці
  7. What does CutMix do to an image and its training label?
    • It adds a random word to a sentence without changing the label
    • It swaps only class names in the dataset
    • It replaces a patch with a patch from another image and mixes labels by the replaced area
    • It blurs every input and keeps a single label unchanged
  8. How does AutoAugment select augmentation policies in its original paper?
    • It chooses transformations from a fixed human-written list without evaluation
    • It uses test labels to relabel training images
    • It selects operations from inference-time confidence only
    • It searches for policies using validation performance as a reward signal