引導式測驗 · 簡單 等級

數據增強測驗

檢討影像與文字的資料增強方法,包括保留標籤的轉換、混合與學習式策略。

相關引導路徑數據增強
問題 1 的 8

資料增強的主要目的是什麼?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 資料增強的主要目的是什麼?
    • 擴展訓練資料並使其多樣化,以便模型更好地泛化
    • 加快訓練模型的推理速度
    • 壓縮磁碟上資料集的大小
    • 自動標記未標記的範例
  2. 下列哪一項是常見的影像增強技術?
    • 梯度下降
    • 隨機水平翻轉
    • 代幣化
    • 輟學
  3. 反向翻譯在文字增強中扮演什麼角色?
    • 顛倒句子中的單字順序
    • 刪除文字中的所有停用詞
    • 將文字翻譯成另一種語言並返回以創建釋義
    • 將文字轉換為數位嵌入
  4. 為什麼增強必須「保留標籤」?
    • 保持資料集檔案大小不變
    • 為了讓訓練跑得更快
    • 因為否則模型無法讀取標籤
    • 因為更改標籤會教導模型錯誤的關聯
  5. Mixup 技術有什麼作用?
    • 將兩個範例及其標籤混合到一個訓練樣本中
    • 遮蓋影像的矩形區域
    • 自動搜尋最佳增強策略
    • 在模型權重中添加隨機噪聲
  6. 數據增強什麼時候特別有價值?
    • 當您已經擁有無限的標記資料時
    • 當標記數據稀缺並且收集更多數據很困難時
    • 僅當模型經過充分訓練後
    • 僅適用於表格電子表格數據
  7. CutMix 對影像及其訓練標籤做了什麼?
    • 它在不改變標籤的情況下將隨機單字加入句子中
    • 它只交換資料集中的類別名稱
    • 它用另一張影像的圖塊取代某個圖塊,並依取代的面積比例混合標籤
    • 它會模糊每個輸入並保持單一標籤不變
  8. AutoAugment 在其原始論文中是如何選擇增強策略的?
    • 它從固定的人工撰寫清單中選擇轉換,而不進行評估
    • 它使用測試標籤來重新標記訓練影像
    • 它僅從推論時的信心水準中選擇運算
    • 它將驗證效能作為獎勵訊號來搜尋策略