اختبار مرتبط بالدليل · متوسط المستوى
نموذج التقليم مسابقة
يتحقق من التقليم المنظم وغير المنظم، وحدود النواة المتفرقة، والاسترداد التكراري، ومطالبات تذاكر اليانصيب، وقياسات النشر.
سؤال 1 من 8
What does model pruning remove from a trained network?
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- What does model pruning remove from a trained network?
- إزالة الأوزان أو الهياكل التي تساهم قليلاً في الإخراج
- إضافة المزيد من المعلمات لتحسين الدقة
- تدريب نموذج لمزيد من العصور
- زيادة دقة الإدخال
- ما الذي يميز التقليم المنظم عن التقليم غير المنظم؟
- التقليم المنظم يعمل فقط على الصور
- يزيل التقليم المنظم وحدات كاملة مثل الخلايا العصبية أو الرؤوس؛ غير منظم يزيل الأوزان الفردية
- يتطلب التقليم غير المنظم إعادة التدريب من الصفر
- لا يوجد فرق عملي بينهما
- لماذا يفشل التقليم غير المنظم في كثير من الأحيان في تسريع النموذج الموجود على الأجهزة العادية؟
- فهو يحذف طبقات كثيرة جدًا
- فهو دائمًا يقلل الدقة إلى الصفر
- تحتاج المصفوفات ذات الوزن المتناثر إلى أجهزة أو مكتبات خاصة لاستغلال الأصفار
- يزيد من عدد المعلمات
- ما هي وصفة التقليم التكرارية النموذجية؟
- قم بقص كل شيء مرة واحدة، ثم قم بالنشر
- قم بالتكميم أولاً، ثم لا تعيد التدريب أبدًا
- احذف الطبقات بشكل عشوائي حتى تنخفض الدقة
- تدريب، وتهذيب المعلمات الأقل أهمية، وضبطها للتعافي، وتكرارها
- ماذا تدعي فرضية تذكرة اليانصيب؟
- تحتوي الشبكات الكثيفة على شبكات فرعية متفرقة يمكنها مطابقة النموذج الكامل عند تدريبها من التهيئة الصحيحة
- يؤدي التقليم دائمًا إلى تحسين الدقة
- التقليم العشوائي هو الأفضل دائمًا
- لا يمكن ضغط النماذج الكبيرة
- ما المعيار البسيط الذي يُستخدم عادةً لتحديد الأوزان التي يجب تقليمها؟
- الترتيب الأبجدي لأسماء الطبقات
- الحجم المطلق للأوزان
- لون خرائط التنشيط
- عدد الأمثلة التدريبية
- When is pruning most likely to reduce inference latency on ordinary dense hardware?
- When individual zeros are added but the dense kernel still computes them
- When the model is renamed without changing its graph
- When whole channels or other structures are removed to produce a smaller dense model
- When a sparse checkpoint is stored in a larger file
- What should a team measure after pruning for a deployment target?
- Only the number of zeros in a checkpoint
- Only training accuracy before pruning
- Whether the file extension changed
- Task quality and latency or memory on the intended hardware