Retour aux cours
Page suivante
QCM Interactif
Testez vos connaissances !
1
Quel est le principal problème que la régularisation cherche à résoudre dans l'entraînement des réseaux de neurones ?
A
Sous-apprentissage dû à un manque de données
B
Overfitting, c’est-à-dire un ajustement trop précis aux données d’entraînement
C
Lenteur de convergence lors de l’optimisation
D
Mauvaise initialisation des poids
2
Quelle est la fonction ajoutée au loss lors de la régularisation L2 ?
A
La somme des poids absolus multipliée par un coefficient
B
La somme des poids au carré multipliée par un coefficient
C
La somme des gradients des poids au carré
D
La somme des activations multipliée par un coefficient
3
Quel est l’effet intuitif de limiter la valeur des poids avec la régularisation L2 sur la fonction de perte ?
A
Elle rend la fonction de perte plus plate, réduisant les variations abruptes
B
Elle augmente la pente de la fonction de perte pour un apprentissage plus rapide
C
Elle rend la fonction de perte non convexe
D
Elle réduit le nombre de minima locaux dans la fonction de perte
4
En quoi consiste la méthode du dropout lors de l’entraînement d’un réseau de neurones ?
A
Ajouter du bruit gaussien aux poids à chaque itération
B
Fixer aléatoirement certains poids à zéro pendant l’entraînement
C
Mettre aléatoirement certaines activations à zéro à chaque étape d’entraînement
D
Réduire la taille du réseau en supprimant certaines couches
5
Pourquoi le dropout contribue-t-il à réduire l’overfitting ?
A
Il augmente la capacité d’apprentissage du réseau en ajoutant des neurones
B
Il force les neurones à coopérer et empêche certains neurones de se baser sur des détails spécifiques
C
Il accélère la convergence en diminuant la taille des données d’entraînement
D
Il remplace la fonction de perte par une fonction plus robuste
Score: 0/5
Score: 0/5
Score: 0/5
Score: 0/5