اختبار مرتبط بالدليل · متوسط المستوى
Grokking وتأخر مسابقة التعميم
استكشف التعميم المتأخر للبيانات الخوارزمية، من خلال تجارب اضمحلال الوزن، وتحليل دوائر فورييه، والإضافة المعيارية، وتأثيرات حجم مجموعة البيانات.
سؤال 1 من 8
ما هو نمط الأداء الذي يميز ظاهرة الجريكينج المدروسة؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- ما هو نمط الأداء الذي يميز ظاهرة الجريكينج المدروسة؟
- يجب أن تتحسن الدقة المحتفظ بها قبل تعلم أي مثال تدريبي
- لا يمكن أن تصبح دقة التدريب عالية أبدًا
- يفقد كل نموذج جميع معلومات التدريب مرة واحدة
- يتحسن التعميم المطروح بشكل كبير بعد أن تكون أمثلة التدريب مناسبة بالفعل
- ما هي المهام التي استخدمتها ورقة Grokking الأصلية كإعداد متحكم فيه؟
- فقط توليد الصور الواقعية على نطاق واسع
- المهام الصغيرة التي تم إنشاؤها خوارزميًا مثل العمليات الحسابية المعيارية
- مزادات الإعلانات عبر الإنترنت في الوقت الفعلي فقط
- فقط أسماء الملفات العشوائية غير المسماة
- ما هو تدخل التنظيم الذي كان من بين تلك التي تم فحصها في التجارب الأصلية؟
- اضمحلال الوزن
- الحذف الإلزامي لكل وظيفة التنشيط
- دليل على أن جميع تسميات الاختبار يجب أن تكون عشوائية
- تكبير تلقائي للمفردات في كل خطوة
- ما الحساب الذي حددته دراسة آلية الإضافة المعيارية المذكورة في محولاتها الصغيرة المدربة؟
- قاعدة عالمية لكل نموذج كبير منتشر
- فقط جدول يحتوي على كل إجابة معلقة
- خوارزمية تعتمد على فورييه باستخدام العلاقات المثلثية
- لا يوجد حساب منظم يمكن تحديده
- ما هو ترتيب المراحل الذي تصفه مقاييس التقدم لـ Grokking في ديناميكيات التدريب المدروسة؟
- التنظيف، وحذف كافة البيانات، ثم لا حساب
- الحفظ، وتشكيل الدائرة، ثم التنظيف
- أداء مثالي قبل تشكيل أي دائرة
- التحول الإلزامي إلى مدخلات الصورة فقط
- ما هو الحذر العملي الذي يقترحه grokking للممارسين؟
- توقف دائمًا عن التدريب عندما تصل دقة التدريب إلى 100%
- دقة التحقق ليست ذات صلة
- لا تعني ثبات التحقق المبكر دائمًا أن النموذج قد فشل في التعلم
- لا ينبغي أبدا استخدام التنظيم
- بالنسبة لمهمة الإضافة المعيارية، ما هو (6+5) الوحدة 7؟
- 11
- 7
- 1
- 4
- ما هو اتجاه حجم مجموعة البيانات الذي أشارت إليه ورقة غروكينغ الأصلية في إعداداتها المدروسة؟
- تتطلب مجموعات بيانات التدريب الأصغر حجمًا مزيدًا من التحسين للوصول إلى التعميم
- يتم دائمًا تعميم مجموعات البيانات الأصغر على الفور دون أي تحسين
- لم يختلف حجم مجموعة البيانات أبدًا
- كل مجموعة بيانات أكبر حالت دون دقة التدريب