引導式測驗 · 中等 等級
小組標準化測驗
測試每個範例的通道組、小批量行為、限制情況、學習的仿射參數以及評估設定的證據。
問題 1 的 8
Group Normalization 在哪些維度上計算統計量?
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。
- Group Normalization 在哪些維度上計算統計量?
- 僅在批次中的樣本上
- 在所有模型層上
- 在訓練與驗證集合上一起
- 對每個樣本的群組內的空間維度與通道
- 為什麼在非常小的批次中 GroupNorm 可能比 BatchNorm 更好?
- 它在只有一個樣本時能更精確地使用批次均值
- 它的統計量不受批次大小影響
- 它移除所有學習到的尺度參數
- 它需要更大的批次
- GroupNorm 如何劃分特徵通道?
- 先分成群組,然後在每個樣本內對每個群組的值進行正規化
- 根據資料集的類別劃分
- 為每個批次成員建立獨立的網路
- 僅根據標籤劃分群組
- GroupNorm 與批次大小無關的意義是什麼?
- 它的輸出對所有批次大小與所有模型皆相同
- 它消除了對訓練批次的需求
- 它的每樣本正規化不使用其他樣本的統計量
- 它保證在每個任務上都有相同的準確度
- 哪個 GroupNorm 設定對應於一個群組包含所有通道?
- 批量歸一化
- 層歸一化
- Instance Normalization
- Weight Normalization
- 哪個 GroupNorm 設定對應於每個群組僅有一個通道?
- 層歸一化
- 批量歸一化
- RMS Normalization
- Instance Normalization
- 每個通道學習到的縮放與偏移在正規化後會做什麼?
- 將群組成員設定為標籤
- 計算批次統計量
- 允許網路調整正規化後的特徵值
- 移除正規化後的激活值
- 對 GroupNorm 報告結果的謹慎詮釋是什麼?
- 在小批次視覺設定中表現良好;仍需針對特定任務進行評估
- 它取代了所有網路中的每一種正規化方法
- 它保證對每個批次大小和任務都產生相同結果
- 它消除了調整群組數量的需求