Datenaugmentation — Ziel?
Vielfalt der Trainingsdaten erhöhen
Dropout — Zweck?
Overfitting verhindern, Robustheit steigern
Batch Normalization — Funktion?
Zwischenausgaben standardisieren, Training stabilisieren
Tiefe Netzwerke — Vorteil?
Komplexe Funktionen modellieren
Transferlernen — Bedeutung?
Vortrainiertes Modell für neue Aufgabe nutzen
Lernratenplan — Zweck?
Lernrate systematisch anpassen
Verschwinden der Gradienten — Problem?
Frühe Schichten lernen kaum noch
Gradientenabstieg — Ziel?
Minimierung der Verlustfunktion
Backpropagation — Funktion?
Gradienten effizient berechnen
Aktivierungsfunktion — Beispiel?
Sigmoid, ReLU
Datenaugmentation — typische Transformationen?
Flippen, Skalieren, Rotieren
Dropout — Dropout-Rate?
Anteil deaktivierter Neuronen
Batch Normalization — Rauschkomponente?
Mini-Batch-Statistiken, regulierende Wirkung
Tiefe Netzwerke — Problem?
Vanishing Gradient
Transferlernen — Vorteil bei wenig Daten?
Schnellere Entwicklung, bessere Leistung
Lernratenplan — Beispiel?
Stufenweise, exponentiell, linear
Aktivierungsfunktion — Problem der Sigmoid?
Kleine Ableitungen, Vanishing Gradient
Verschwinden der Gradienten — Ursache?
Multiplikation kleiner Ableitungen, Kettenregel
Gradientenabstieg — Hyperparameter?
Lernrate bestimmt Schrittgröße
Testez vos connaissances avec un QCM de 10 questions sur Effektive Deep-Learning-Techniken verstehen.
1. Was ist Datenaugmentation?
2. Was ist die Ursache dafür, dass Dropout die Generalisierungsfähigkeit eines neuronalen Netzwerks verbessert?
Révisez le cours complet dans la fiche de révision de Effektive Deep-Learning-Techniken verstehen.
Voir la fiche →Intelligence Artificielle
Bases de données
Bases de données
Bases de données
Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards