7.8.9

Question 1

Nuostolių funkcijos

Answer 1

Matuoja skirtumą tarp modelio prognozių ir tikrųjų reikšmių

Question 2

Kam reikalingos nuostolių funkcijos

Answer 2

Padeda modeliui suprasti kiek jo prognozės skiriasi nuo tikrovės

Question 3

Vidutinės kvadratinės paklaidos (MSE) nuostoliu funkcija

Answer 3

Skaičiuoja kvadratinių skirtumų tarp prognozuotų ir tikrųjų reikšmių vidurkį

Question 4

Kryžminės entropijos nuostoliu funkcija

Answer 4

Matuoja skirtumą tarp tikrosios klasės ir modelio prognozuotų tikimybių

Question 5

Optimizatoriai

Answer 5

Algoritmai, kurie nustato, kaip atnaujinti neuroninio tinklo svorius mokymo metu, siekiant sumažinti nuostoliu funkcija

Question 6

Stochastinis gradientų nusileidimas (SGD) optimizatorius

Answer 6

Optimizavimo metodas, kuris atnaujina modelio svorius po kiekvieno duomenų pavyzdžio

Question 7

Adam optimizatorius

Answer 7

Sujungia inercijos (momentum) metodą ir adaptuojamus mokymosi tempus

Question 8

Reguliarizacija

Answer 8

Technika, kuri padeda išvengti permokymo

Question 9

Ankstyvasis sustabdymas

Answer 9

Mokymas stabdomas, kai klaida validavimo duomenyse nustoja mažėti

Question 10

Rinkinio (batch) normalizacija

Answer 10

Normalizuoja sluoksnio įėjimus, mažina vidaus kintamumą ir paspartiną mokymą

Question 11

Atsitiktinio praretinimo transformacija

Answer 11

Mokymo metu, atsitiktinai išjungia dalį neuronų, priversdama tinklą būti atsparesnį ir išmokti geresnių apibendrinimų

Question 12

Duomenų augmentacija

Answer 12

Duomenų plėtimo metodas, kuriuos sukuriami nauji pavyzdžiai keičiant esamus

Question 13

L2 reguliarizacija

Answer 13

Prideda baudos terminą už didelius svorius, todėl modelis yra skatinamas rinktis mažesnius svorius ir mokytis paprastesnių sprendimų