引导式测验 · 硬 等级

胶囊网络测验

检查胶囊向量、部分到整体路由、姿态信息、一致性分数以及迭代路由成本高昂的原因。

相关引导路径胶囊网络
问题 1 的 8

在胶囊网络中，胶囊输出向量的长度代表什么？

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。

  1. 在胶囊网络中，胶囊输出向量的长度代表什么？
    • 实体存在的概率
    • 检测到的特征的颜色
    • 该层的学习率
    • 胶囊中神经元的数量
  2. 胶囊网络是专门为解决标准 CNN 的哪些问题而设计的？
    • GPU 训练速度慢
    • 空间/部分-整体关系的丧失，例如接受杂乱的面部零件
    • 无法处理彩色图像
    • 需要学习的参数太少
  3. 决定哪些较低级别的胶囊连接到哪些较高级别的胶囊的算法的名称是什么？
    • 随时间反向传播
    • 渐变裁剪
    • 动态协议路由
    • 批量归一化
  4. 谁在 2017 年引入了具有动态路由的胶囊网络？
    • 扬·乐昆 (Yann LeCun) 及其同事
    • 伊恩·古德费洛和同事
    • 瓦斯瓦尼和同事
    • 萨布尔、弗罗斯特和辛顿
  5. 胶囊网络中“挤压”功能的目的是什么？
    • 将向量长度标准化为 0 到 1 之间，同时保持其方向
    • 删除未使用的胶囊
    • 将图像转换为灰度
    • 自动增加网络深度
  6. Which result did the original 2017 CapsNet paper report as evidence for routing-by-agreement?
    • Lower memory use than every CNN on ImageNet
    • Better recognition of highly overlapping digits than a convolutional net
    • No need for a training objective
    • Perfect performance on all affine transformations
  7. In the original capsule representation, what information is carried by the direction of a capsule’s output vector?
    • The probability that the entity is absent
    • The number of routing iterations
    • Instantiation or pose parameters of the represented entity
    • The loss assigned to the previous layer
  8. In routing-by-agreement, what makes a lower capsule’s prediction agree with a higher-level capsule?
    • Their capsule names begin with the same letter
    • Their vector lengths are exactly zero
    • They occur in the same image crop
    • Their predicted and output vectors have a large scalar product