Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ
Câu đố về bộ mã hóa tự động
Kiểm tra các mục tiêu tái thiết, nén tiềm ẩn, khử nhiễu, các tính năng phi tuyến và sự khác biệt giữa bộ mã hóa tự động tiêu chuẩn và biến thể.
Câu hỏi 1 của 8
Mục đích của 'nút cổ chai' (mã tiềm ẩn) trong bộ mã hóa tự động là gì?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Mục đích của 'nút cổ chai' (mã tiềm ẩn) trong bộ mã hóa tự động là gì?
- Để buộc mạng thành một biểu diễn nhỏ gọn nắm bắt được cấu trúc thiết yếu
- Để thêm nhiều tham số và tăng dung lượng mô hình
- Để lưu trữ nhãn để phân loại được giám sát
- Tập luyện chậm lại để ổn định hơn
- Tại sao bộ mã hóa tự động được coi là tự giám sát?
- Họ yêu cầu bộ dữ liệu được dán nhãn lớn
- Mục tiêu huấn luyện chính là đầu vào nên không cần nhãn bên ngoài
- Một con người dán nhãn cho mỗi lần tái thiết bằng tay
- Chúng chỉ hoạt động trên các hình ảnh được phân loại trước
- Bộ mã hóa tự động khử nhiễu khác với bộ mã hóa tiêu chuẩn như thế nào?
- Nó loại bỏ hoàn toàn bộ giải mã
- Nó chỉ hoạt động với dữ liệu văn bản
- Nó được đào tạo để xây dựng lại đầu vào sạch từ phiên bản bị hỏng
- Nó không yêu cầu lớp thắt cổ chai
- Điều gì khiến bộ mã hóa tự động biến thiên (VAE) có thể tạo ra dữ liệu mới?
- Nó ghi nhớ mọi ví dụ đào tạo
- Nó không sử dụng bộ giải mã
- Nó thay thế mạng lưới thần kinh bằng cây quyết định
- Nó học một không gian tiềm ẩn trơn tru, có xác suất mà bạn có thể lấy mẫu từ đó
- Bộ mã hóa tự động tuyến tính được huấn luyện với lỗi bình phương trung bình gần giống với kỹ thuật cổ điển nào?
- Phân tích thành phần chính (PCA)
- K-nghĩa là phân cụm
- Cây quyết định
- Hồi quy logistic
- Tại sao bộ mã hóa tự động lại phù hợp với việc phát hiện sự bất thường?
- Họ dán nhãn những điều bất thường trong quá trình đào tạo
- Chúng tái tạo lại tốt các mẫu phổ biến nhưng hiển thị các lỗi lớn trên các mẫu hiếm, không nhìn thấy được.
- Họ bỏ qua hoàn toàn lỗi tái thiết
- Họ chỉ xuất ra phân loại nhị phân
- Which reconstruction loss does the guide associate with binary-pixel data?
- Mất ký quỹ gấp ba lần
- Temporal-difference error
- Cross-entropy
- Cosine annealing loss
- Why can nonlinear activations make an autoencoder more expressive than a linear one?
- They force the latent code to equal the input size
- They remove the decoder from the model
- They guarantee zero reconstruction error on unseen data
- They allow it to learn nonlinear or curved structures in the data