Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra chính quy bỏ học và ngẫu nhiên

Kiểm tra mặt nạ ngẫu nhiên, chế độ huấn luyện và suy luận, tỷ lệ đảo ngược, giới hạn đồng thích ứng, loại bỏ MC và dự đoán biến đổi.

Đường dẫn hướng dẫn liên quanBỏ học và chính quy hóa ngẫu nhiên
Câu hỏi 1 của 8

Bỏ học làm gì trong quá trình đào tạo?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Bỏ học làm gì trong quá trình đào tạo?
    • Xóa trọng lượng vĩnh viễn
    • Đặt ngẫu nhiên một phần đầu ra nơron về 0 trên mỗi lần chuyển tiếp
    • Nhân đôi tốc độ học tập
    • Thêm nhiều lớp hơn vào mạng
  2. Tại sao việc bỏ học lại cải thiện khả năng khái quát hóa?
    • Nó làm tăng số lượng tham số
    • Nó loại bỏ sự cần thiết của dữ liệu đào tạo
    • Nó đảm bảo không có lỗi đào tạo
    • Nó ngăn chặn các tế bào thần kinh đồng thích ứng và buộc các biểu diễn mạnh mẽ, dư thừa
  3. Điều gì xảy ra với việc bỏ học tại thời điểm kiểm tra (suy luận)?
    • Nó bị tắt và toàn bộ mạng được sử dụng
    • Nó thậm chí còn giảm nhiều tế bào thần kinh hơn
    • Nó xóa một nửa trọng lượng
    • Nó ngẫu nhiên hóa các nhãn
  4. Tỷ lệ bỏ học p = 0,5 trong một lớp có ý nghĩa gần đúng trong quá trình đào tạo?
    • Tất cả các tế bào thần kinh đều bị loại bỏ
    • Không có tế bào thần kinh nào bị ảnh hưởng
    • Khoảng một nửa số nơ-ron bị loại bỏ mỗi lần
    • Lớp bị xóa
  5. Bỏ học thường được mô tả là gần đúng là gì?
    • Hồi quy tuyến tính đơn
    • Cây quyết định
    • Một phép biến đổi Fourier
    • Một tập hợp nhiều mạng mỏng chia sẻ trọng số
  6. Bỏ học Monte Carlo dùng để làm gì?
    • Tăng tốc độ tải dữ liệu
    • Ước tính độ không đảm bảo của mô hình bằng cách duy trì hoạt động bỏ học khi suy luận
    • Nén mạng để giảm trọng lượng
    • Tự động dán nhãn dữ liệu đào tạo
  7. With inverted dropout, why is no extra activation scaling normally needed at ordinary inference?
    • The keep probability becomes exactly zero
    • Inference always averages new random masks
    • Surviving activations were already scaled during training
    • Every weight is divided by the number of layers
  8. The same input yields varying predictions because dropout remains active during evaluation. What explains the variation?
    • New random masks sample different subnetworks on each pass
    • The input changes its label by itself
    • The network has no trained weights
    • Batch size must be one