Добавлен: 10.11.2023
Просмотров: 1972
Скачиваний: 26
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
Свертки
Подвыборки
Полносвязные Ничего из вышеперечисленного
Свертка в сверточной сети: это механизм выделения высокоуровневых свойств изображения это процесс удаления нейронов из слоев в процессе обучения процесс, который увеличивает сигнал на тех участках изображения где имеется релевантная информация Ничего из вышеперечисленного
Слой подвыборки в сверточной сети: Получает информацию с полносвязного слоя Имеет огромное количество настраиваемых весов Ничего из вышеперечисленного
Сверточные сети: Разработаны специально для работы с изображениями Имеют больше нейронов чем полносвязные сети Учитывают близость объектов на изображении
Дана матрица размерностью 4x4. Мы проходим по ней слоем подвыборки с окном 2x2, без нахлеста. Какой размер будет у выходной матрицы?
1x1 2x2 4x4 Ничего из вышеперечисленного
Техника DropOut в сетях: иногда выбрасывает случайные нейроны в процессе обучения повышает способность сети к обобщению приводит к переобучению ничего из вышеперечисленного
Способы борьбы с переобучением в сверточных сетях: Использовать меньше данных в процессе обучения Использовать аугментации Добавить регуляризацию или DropOut Все вышеперечисленноеКасательно работы с неизвестными объектами: Сверточные сети отлично определяют ранее не представленные объекты в отдельный класс Сверточная сеть будет искать объект среди известных и выдаст в виде ответа ближайший к нему Все варианты неверныАтаки на нейронную сеть с помощью малозаметного шума: невозможны, нейронную сеть так нельзя обмануть легко реализуемы, таким образом сеть можно очень сильно обманутьСмысл атаки на нейронную сеть заключается в том чтобы: Заставить сеть сильно ошибиться при классификации изображения Загрузить сеть вычислительно неудобным вектором, затрудняя процесс расчетаТест 10.Для алгоритма Style Transfer: Необходима предобученная сверточная сеть Можно взять и необученную сеть, результат не поменяетсяДля работы алгоритма Style Transfer: нужно два изображения - style (изображение с которого мы берем стиль) и content (изображение, которое мы стилизуем) Нужно три изображения - style, content и palette, последнее задает цветовую палитру Вообще не нужны изображения, Style Transfer самостоятельно подберет правильную стилизациюПредставление стиля при работе алгоритма Style Transfer:
играет ключевую роль в процессе оптимизации может не использоваться вообщеГенеративно состязательные сети так называются потому что: После обучения такие сети способны генерировать новые объекты После обучения такие сети способны генерировать новые сети В процессе обучения одна сеть учится “обманывать” другую Ничего из вышеперечисленногоПримеры применения GAN: Определение возраста по фото Предсказание будущего человека по фото руки Перенос эмоций на различные фото Перенос стилей на другие объекты Ничего из вышеперечисленногоВыделите ключевые компоненты в процессе обучения GAN: Сеть - генератор Сеть - дискриминатор Сеть - судья Набор исходных данных с изображениями объектов Механизм вычисления ошибки (loss) Все вышеперечисленноеПредположим что была обучена GAN на выборке с фотографиями кошек. Такая сеть способна: Генерировать новые изображения кошек Генерировать новые изображения собак Генерировать новые изображения и кошек, и собак Не способна генерировать новые изображения и кошек, и собак
Можно ли использовать алгоритм Style Transfer для стилизации видео? Да, можно - видеопоток раскладывается на кадры, каждый из которых можно стилизовать в отдельности Нет, нельзя, итоговый результат получается очень плохого качестваСеть-генератор в GAN: Определяет является ли изображение сгенерированным или настоящим Создает новые изображения из случайного входного вектора Может содержать полносвязные слои Может содержать слои свертки Может содержать слои подвыборкиСеть-дискриминатор в GAN: Определяет является ли изображение сгенерированным или настоящим Создает новые изображения из случайного входного вектора Может содержать полносвязные слои Может содержать слои свертки Может содержать слои подвыборкиВерно ли данное утверждение: “Для обучения GAN нам всегда нужен исходный набор настоящих изображений”? Да НетМеханизм вычисления ошибки в GAN нужен для того чтобы: Обучить только сеть-генератор создавать изображения более реальными Обучить только сеть-дискриминатор определять какие изображения не являются настоящими
Обучать обе сети по очереди Ничего из вышеперечисленного
-
В задаче классификации восстанавливается зависимость
целевой переменной от признаков объектов -
Выборка может быть:
-
Для решения какого класса задач применяются деревья решений?
-
Какое количество значений допустимо у целевой переменной в задаче регрессии?
-
Можно ли использовать деревья как базовые алгоритмы в ансамблях моделей?
-
В задаче регрессии для одного объекта получены следующие предсказания: 5, 9, 4, 8. Каким будет итоговый ответ в бэггинге?
-
Экспоненциальное распределение является:
-
Пусть у объектов в данных по 20 признаков. Какое количество главных компонентов можно выделить в этих данных?
-
Чем характеризуется процесс обучения моделей машинного обучения?
-
Коэффициент корреляции, равный 0.13, свидетельствует о:
-
Вы играете в лотерею, где из 20 билетов в двух есть подарок. С какой вероятностью вы получите выигрыш?
-
К какому классу относится выделенный объект при решении задачи методом ближайших соседей при К=10?
-
В магазине два продавца. В любой момент каждый из них занят с вероятностью 0,4.
-
В классе было проведено тестирование. Среднее значение балла по тесту – 7, стандартное отклонение – 1.2 балла. Если ученик набрал 9 баллов это свидетельствует
Выше, чем у большей части класса
-
Какие из перечисленных задач могут быть решены как классификация?