Bài kiểm tra có liên kết hướng dẫn · Dễ dàng Cấp độ

Bài kiểm tra tăng cường dữ liệu

Xem lại các phương pháp tăng cường dữ liệu cho hình ảnh và văn bản, bao gồm các phép biến đổi bảo toàn nhãn, các chính sách trộn và đã học.

Đường dẫn hướng dẫn liên quanTăng cường dữ liệu
Câu hỏi 1 của 8

Mục đích chính của việc tăng cường dữ liệu là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Mục đích chính của việc tăng cường dữ liệu là gì?
    • Để mở rộng và đa dạng hóa dữ liệu đào tạo để các mô hình khái quát hóa tốt hơn
    • Để tăng tốc độ suy luận trên mô hình được đào tạo
    • Để nén kích thước của tập dữ liệu trên đĩa
    • Để tự động gắn nhãn các ví dụ chưa được gắn nhãn
  2. Kỹ thuật nào sau đây là kỹ thuật tăng cường hình ảnh phổ biến?
    • Độ dốc gốc
    • Lật ngang ngẫu nhiên
    • Mã thông báo
    • Bỏ học
  3. Dịch ngược làm gì trong việc tăng cường văn bản?
    • Đảo ngược thứ tự các từ trong câu
    • Xóa tất cả các từ dừng khỏi văn bản
    • Dịch văn bản sang ngôn ngữ khác và quay lại để tạo các diễn giải
    • Chuyển đổi văn bản thành nhúng số
  4. Tại sao các phần mở rộng phải là 'bảo toàn nhãn'?
    • Để giữ kích thước tệp dữ liệu không đổi
    • Để việc đào tạo diễn ra nhanh hơn
    • Bởi vì các mô hình không thể đọc nhãn theo cách khác
    • Bởi vì việc thay đổi nhãn sẽ dạy cho mô hình những liên kết sai
  5. Kỹ thuật Mixup làm gì?
    • Trộn hai ví dụ và nhãn của chúng thành một mẫu đào tạo
    • Che dấu một vùng hình chữ nhật của hình ảnh
    • Tự động tìm kiếm chính sách tăng cường tốt nhất
    • Thêm tiếng ồn ngẫu nhiên vào trọng lượng mô hình
  6. Khi nào việc tăng cường dữ liệu đặc biệt có giá trị?
    • Khi bạn đã có dữ liệu được dán nhãn không giới hạn
    • Khi dữ liệu được dán nhãn khan hiếm và khó thu thập thêm
    • Chỉ khi mô hình được đào tạo đầy đủ
    • Chỉ dành cho dữ liệu bảng tính dạng bảng
  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