引导式测验 · 简单 等级
数据增强测验
回顾图像和文本的数据增强方法，包括标签保留转换、混合和学习策略。
问题 1 的 8
数据增强的主要目的是什么？
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。
- 数据增强的主要目的是什么？
- 扩展训练数据并使其多样化，以便模型更好地泛化
- 加快对训练模型的推理速度
- 压缩磁盘上数据集的大小
- 自动标记未标记的示例
- 以下哪一项是常见的图像增强技术？
- 梯度下降
- 随机水平翻转
- 代币化
- 辍学
- 反向翻译在文本增强中起什么作用？
- 颠倒句子中的单词顺序
- 删除文本中的所有停用词
- 将文本翻译成另一种语言并返回以创建释义
- 将文本转换为数字嵌入
- 为什么增强必须“保留标签”？
- 保持数据集文件大小不变
- 为了让训练跑得更快
- 因为否则模型无法读取标签
- 因为更改标签会教会模型错误的关联
- Mixup 技术有什么作用？
- 将两个示例及其标签混合到一个训练样本中
- 遮盖图像的矩形区域
- 自动搜索最佳增强策略
- 向模型权重添加随机噪声
- 数据增强什么时候特别有价值？
- 当您已经拥有无限的标记数据时
- 当标记数据稀缺并且收集更多数据很困难时
- 仅当模型经过充分训练后
- 仅适用于表格电子表格数据
- CutMix 对图像及其训练标签做了什么？
- 它在不改变标签的情况下向句子中添加一个随机单词
- 它仅交换数据集中的类名
- 它用另一幅图像的补丁替换一个补丁，并按替换面积混合标签
- 它模糊每个输入并保持单个标签不变
- AutoAugment 是如何在原论文中选择增强策略的？
- 它从固定的人工编写列表中选择转换，无需评估
- 它使用测试标签给训练图像重新打标签
- 它仅根据推理时的置信度来选择操作
- 它使用验证性能作为奖励信号来搜索策略