اختبار مرتبط بالدليل · متوسط المستوى

نموذج التقليم مسابقة

يتحقق من التقليم المنظم وغير المنظم، وحدود النواة المتفرقة، والاسترداد التكراري، ومطالبات تذاكر اليانصيب، وقياسات النشر.

مسارات الدليل ذات الصلةالتقليم النموذجي
سؤال 1 من 8

What does model pruning remove from a trained network?

معاينة كل سؤال8 أسئلة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. ما المعيار البسيط الذي يُستخدم عادةً لتحديد الأوزان التي يجب تقليمها؟
    • الترتيب الأبجدي لأسماء الطبقات
    • الحجم المطلق للأوزان
    • لون خرائط التنشيط
    • عدد الأمثلة التدريبية
  7. 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
  8. 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