گائیڈ سے منسلک کوئز · درمیانہ سطح
ڈینس نیٹ اور ڈینس کنیکٹیویٹی کوئز
ٹیسٹ فیچر میپ کنکٹنیشن، گروتھ ریٹ، براہ راست فیچر کا دوبارہ استعمال، ٹرانزیشن کمپریشن، گراڈینٹ پاتھز، اور چینل کی گنتی۔
سوال 1 کی 8
ڈینس نیٹ سابقہ پرتوں سے فیچر نقشوں کو یکجا کرنے کے لیے کون سا آپریشن استعمال کرتا ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- ڈینس نیٹ سابقہ پرتوں سے فیچر نقشوں کو یکجا کرنے کے لیے کون سا آپریشن استعمال کرتا ہے؟
- چینل کے لحاظ سے جوڑنا
- عنصر وار اضافہ
- تہوں میں زیادہ سے زیادہ پولنگ
- عنصر وار ضرب
- DenseNet میں، 'ترقی کی شرح' k کیا کنٹرول کرتی ہے؟
- سیکھنے کی شرح کا شیڈول
- پولنگ ونڈو کا سائز
- نئے فیچر میپس کی تعداد جو ہر پرت تیار کرتی ہے۔
- گھنے بلاکس کی تعداد
- ایک گھنے بلاک میں L تہوں کے درمیان کتنے براہ راست کنکشن موجود ہیں؟
- L
- L(L+1)/2
- 2L
- L مربع
- DenseNet میں ٹرانزیشن لیئرز کا بنیادی مقصد کیا ہے؟
- بقایا شارٹ کٹس شامل کرنے کے لیے
- ترقی کی شرح کو بڑھانے کے لیے
- صرف ڈراپ آؤٹ اپلائی کرنے کے لیے
- گھنے بلاکس کے درمیان فیچر میپ کے سائز کو کم کرنے اور کم کرنے کے لیے
- گھنے کنیکٹیویٹی کا ایک اہم فائدہ یہ ہے کہ یہ تربیت کے کس مسئلے کو کم کرنے میں مدد کرتا ہے؟
- رنگ کے لیے اوور فٹنگ
- پھٹنے والے بیچ کے سائز
- غائب ہونے والا تدریجی مسئلہ
- لیبل شور
- ImageNet پر اسی طرح کی درستگی پر ResNet کے مقابلے میں، DenseNet-BC عام طور پر استعمال کرتا ہے:
- کافی حد تک کم پیرامیٹرز
- کہیں زیادہ پیرامیٹرز
- اسی پیرامیٹرز کے بارے میں
- بالکل بھی کوئی convolutions
- A late DenseNet layer needs an edge feature learned near the input. Why can it use that map directly?
- Only the final layer can see edge features
- DenseNet resets all maps after each layer
- Transition layers reconstruct every earlier map from scratch
- Earlier feature maps remain among its concatenated inputs
- A dense block begins with m channels and three layers each add k new maps. How many channels emerge before a transition?
- 3m + k
- m + 3k
- m times k cubed
- Only k, because old maps are discarded