ویٹ انیشیلائزیشن کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. تمام وزن کو صفر پر شروع کرنا ایک مہلک غلطی کیوں ہے؟
   • تمام نیوران یکساں میلان حاصل کرتے ہیں اور کبھی بھی فرق نہیں کرتے (سمیٹری ٹوٹی نہیں ہے)
   • اس سے تربیت بہت تیز ہوجاتی ہے۔
   • اس سے نقصان منفی ہو جاتا ہے۔
   • یہ بہت زیادہ میموری استعمال کرتا ہے۔
2. وہ (Kaiming) ابتداء خاص طور پر کس ایکٹیویشن فنکشن کے لیے ڈیزائن کی گئی ہے؟
   • سگمائڈ
   • ReLU
   • تانہ
   • سافٹ میکس
3. اصولی وزن کی شروعاتی اسکیموں کا بنیادی مقصد کیا ہے؟
   • تمام وزن برابر کرنے کے لیے
   • ہر وزن کو ایک پر سیٹ کرنا
   • ایکٹیویشنز اور گریڈیئنٹس کے فرق کو تہوں میں تقریباً مستقل رکھنے کے لیے
   • ڈیٹا کی ضرورت کو ختم کرنے کے لیے
4. Xavier (Glorot) ابتداء کون سے ایکٹیویشنز کا استعمال کرتے ہوئے نیٹ ورکس کے لیے بہترین موزوں ہے؟
   • ReLU اور اس کی مختلف حالتیں۔
   • صرف لکیری ایکٹیویشنز
   • کوئی ایکٹیویشن بالکل نہیں۔
   • تانہ اور سگمائیڈ
5. وہ ابتداء 1 / fan_in کے بجائے 2 / fan_in کا تغیر کیوں استعمال کرتا ہے؟
   • ReLU کی تلافی کے لیے اس کے تقریباً نصف ان پٹ کو صفر پر سیٹ کرنا
   • بغیر کسی وجہ کے وزن کو بڑا کرنا
   • پیرامیٹرز کی تعداد کو کم کرنے کے لئے
   • بیچ کے سائز سے ملنے کے لیے
6. جب وزن تصادفی طور پر شروع کیا جاتا ہے تو تعصبات کو عام طور پر کیسے شروع کیا جاتا ہے؟
   • بہت بڑی مثبت اقدار کے لیے
   • صفر تک، چونکہ ہم آہنگی پہلے ہی بے ترتیب وزن سے ٹوٹ چکی ہے۔
   • سیکھنے کی شرح کے برابر ہے۔
   • وزن سے بڑی بے ترتیب قدروں کے لیے
7. Under Xavier initialization, which quantities determine the weight variance in the guide’s formula?
   • The number of training epochs and batch size
   • The output class count alone
   • Fan-in and fan-out
   • The activation’s test accuracy
8. For a ReLU layer with fan-in 64, what variance does the He formula 2/fan_in specify?
   • 1/64
   • 1/16
   • 2/64 squared
   • 1/32