引导式测验 · 中等等级

自动编码器测验

检查重建目标、潜在压缩、去噪、非线性特征以及标准自动编码器和变分自动编码器之间的差异。

自动编码器中的“瓶颈”（潜在代码）的目的是什么？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

自动编码器中的“瓶颈”（潜在代码）的目的是什么？
- 迫使网络采用紧凑的表示形式来捕获基本结构
- 添加更多参数并增加模型容量
- 存储用于监督分类的标签
- 放慢训练以获得更好的稳定性
为什么自动编码器被认为是自我监督的？
- 他们需要巨大的标记数据集
- 训练目标是输入本身，因此不需要外部标签
- 人类手工标记每个重建
- 他们只适用于预先分类的图像
去噪自动编码器与标准自动编码器有何不同？
- 它完全删除了解码器
- 它仅适用于文本数据
- 它经过训练可以从损坏的版本中重建干净的输入
- 它不需要瓶颈层
是什么让变分自动编码器 (VAE) 能够生成新数据？
- 它记住每个训练示例
- 它不使用解码器
- 它用决策树取代神经网络
- 它学习一个平滑的、概率性的潜在空间，您可以从中采样
用均方误差训练的线性自动编码器与哪种经典技术非常相似？
- 主成分分析（PCA）
- K-均值聚类
- 决策树
- 逻辑回归
为什么自动编码器非常适合异常检测？
- 他们在训练期间标记异常情况
- 它们可以很好地重建常见的模式，但在罕见的、看不见的模式上表现出很大的错误
- 他们完全忽略重建错误
- 他们只输出二元分类
Which reconstruction loss does the guide associate with binary-pixel data?
- 三重保证金损失
- 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