Chương 5·Bài 5.4Pro
Vision Transformer
Chọn câu
Medium
Câu 1
Ảnh 224 × 224 được cắt thành các mảnh 16 × 16 cho Vision Transformer. Có bao nhiêu mảnh?
Mỗi chiều có 224 / 16 = 14 mảnh, nên tổng cộng 14 × 14 = 196 mảnh. Mỗi mảnh được xem như một token trong chuỗi.
High
Câu 2
Vision Transformer phân loại ảnh dựa trên đầu ra nào?
ViT thêm token [CLS] vào đầu chuỗi mảnh ảnh. Sau các khối Transformer, biểu diễn của token này đi qua lớp tuyến tính và softmax để ra xác suất các lớp.
Phỏng theoVOAI 2025 · Vòng sơ loại · Câu 36
Câu 3
Lấy một CNN rồi thay mỗi lớp tích chập bằng lớp kết nối đầy đủ có cùng số đơn vị vào và ra. Mạng mới có biểu diễn được mọi thứ CNN biểu diễn được không, và bất lợi là gì?
Tích chập là trường hợp riêng của kết nối đầy đủ: nhiều trọng số bằng 0, các trọng số còn lại dùng chung. Mạng đầy đủ chứa được cấu hình đó, nhưng phải tự tìm ra nó với số trọng số lớn hơn hàng trăm lần, nên cần rất nhiều dữ liệu.
Ôn lạiBài 5.1Giả định và ứng dụngBài 5.4CNN và ViT: so giả định trước khi so điểm
Còn 4 câu dành cho tài khoản Pro
Mở khóa bằng tài khoản Pro