اختبار مرتبط بالدليل · متوسط المستوى
اختبار التكيف المجال
اختبار تحولات المصدر والهدف، وتدرجات المجال المعكوسة، وندرة تسمية الهدف، والطرق الخالية من المصدر، وأهداف المصنف المنفصلة.
سؤال 1 من 8
ما هي المشكلة التي تم تصميم تكييف المجال لحلها في المقام الأول؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- ما هي المشكلة التي تم تصميم تكييف المجال لحلها في المقام الأول؟
- تقليل عدد معلمات النموذج
- تسريع مضاعفة المصفوفات على وحدات معالجة الرسومات
- ينخفض الأداء عندما تختلف بيانات الاختبار عن بيانات التدريب
- توليد تسميات التدريب الاصطناعية تلقائيا
- في شبكة تنافس المجال، ما الذي تنجزه طبقة الانعكاس المتدرجة؟
- إنه يدفع مستخرج الميزات لجعل المصدر والهدف غير قابلين للتمييز
- يقوم بحذف مصنف المجال أثناء الاستدلال
- إنه يضاعف معدل التعلم لتدريب أسرع
- يقوم بتحويل مخرجات الانحدار إلى تسميات التصنيف
- ما الذي يجعل تعديل النطاق "غير الخاضع للرقابة" مفيدًا بشكل خاص؟
- لا يتطلب أي تدريب نموذجي على الإطلاق
- إنه يعمل فقط على بيانات الصورة
- إنه يلغي الحاجة إلى المجال المصدر
- لا يحتاج إلى بيانات مصنفة في المجال الهدف
- ما السيناريو الذي يعد مثالًا كلاسيكيًا على تحول المجال؟
- نموذج تم تدريبه واختباره على نفس مجموعة البيانات بالضبط
- مصنف الورم الذي تم تدريبه على ماسح ضوئي واحد يفشل في ماسح ضوئي آخر
- نموذج يعمل بشكل أسرع بعد التكميم
- شبكة تحتوي على طبقات أكثر من شبكة أخرى
- ما هي طريقة تكييف النطاق "الخالية من المصدر" المصممة لتجنبها؟
- الوصول إلى بيانات التدريب المصدر الأصلي أثناء التكيف
- باستخدام أي بنية الشبكة العصبية
- إنتاج أي تنبؤات الإخراج
- يعمل على وحدات معالجة الرسومات الحديثة
- A team starts adaptation from a broadly pretrained model. What should it still measure?
- Only the parameter count
- Only source training accuracy
- Performance on the actual target data and task
- Whether target evaluation can be skipped
- Which DANN head supplies the objective to distinguish source examples from target examples?
- The task label vocabulary
- The domain classifier
- The optimizer checkpoint file
- A fixed output embedding dimension
- Does gradient reversal mean changing a positive class label into a negative class label?
- Yes; every task label is negated
- Yes; all target samples are relabeled as source
- No; it freezes every feature weight
- No; it reverses the domain gradient into the feature extractor