التدرج النسب مسابقة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. في حالة نزول التدرج البسيط، ما هو الاتجاه الذي يتم استخدامه بالنسبة لتدرج الهدف؟
   • The negative-gradient direction
   • The positive-gradient direction
   • An arbitrary perpendicular direction by definition
   • A direction chosen without evaluating any gradient
2. ما الذي يتحكم في معدل التعلم؟
   • عدد الطبقات في النموذج
   • عدد الفئات التي يمكن للنموذج التنبؤ بها
   • حجم كل خطوة تم اتخاذها أثناء التحسين
   • كمية بيانات التدريب المستخدمة
3. كيف يرتبط التدرج الصغير بالهدف الكامل لبيانات التدريب المحددة؟
   • It uses no examples
   • It is computed on the batch and used as an estimate of the full-data gradient
   • It must equal the full-data gradient on every step
   • It only exists for images
4. ما هي المشكلة التي يمكن أن يسببها معدل التعلم الكبير جدًا؟
   • يصبح التدريب بطيئًا للغاية ولكنه مستقر
   • يتجاهل النموذج التدرج
   • تصبح مجموعة البيانات تالفة
   • يتجاوز النموذج الحد الأدنى وقد يختلف
5. ما هي المعلومات التي يحملها الزخم في تحديثات النزول المتدرج اللاحقة؟
   • Only the model's vocabulary size
   • A permanent deletion of all earlier gradients
   • A running weighted combination of earlier gradients
   • An unrelated random reset of every weight
6. ما هي الميزة الرئيسية لمُحسِّن Adam مقارنة بالنسب التدرجي البسيط؟
   • إنه يتكيف مع معدل التعلم الفعال لكل معلمة
   • ويستخدم خطوة واحدة ثابتة لكل معلمة
   • أنها لا تتطلب التدرجات
   • فهو يقوم فقط بتدريب طبقة الإخراج
7. For plain gradient descent with old weight two, gradient three, and learning rate one-tenth, what is the new weight?
   • Two-point-three
   • One-point-nine-seven
   • ثلاثة
   • One-point-seven
8. What does a zero gradient fail to prove for a nonconvex training objective?
   • That the gradient value is zero at the evaluated point
   • That the current point is a global minimum
   • That the objective has been evaluated locally
   • That a stationary-point condition holds