مسابقة الشبكات المتبقية

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما هي المشكلة التي حلتها الاتصالات المتبقية على وجه التحديد؟
   • تدريب الشبكات البسيطة الأعمق أسوأ من الشبكات الضحلة (التدهور)
   • الصور ذات دقة منخفضة جدًا
   • نقص في بيانات التدريب المسمى
   • نفاد ذاكرة وحدات معالجة الرسومات
2. ماذا تحسب كتلة المتبقي الأساسية عندما تتطابق أبعاد الإدخال والإخراج؟
   • يضرب الإدخال في نفسه
   • يضيف الدالة المتبقية المتعلمة للكتلة إلى إدخاله، y = F(x) + x
   • يسقط الإدخال ويعيد الصفر
   • يرتب قنوات الإدخال أبجديًا
3. لماذا يساعد تخطي الاتصالات التدرجات أثناء التدريب؟
   • إنهم يلغون الحاجة لتدريب الأوزان
   • إنهم يجبرون كل طبقة على إنتاج الصفر
   • يوفرون مسارًا مباشرًا إضافيًا لتدفق التدرج حول التحويل المتعلم
   • يجعلون الشبكات العميقة محصنة من جميع مشاكل التحسين
4. ما هو أعمق ResNet تم تقييمه في ورقة ImageNet الأصلية؟
   • 18 طبقة
   • 34 طبقة
   • 50 طبقة
   • 152 طبقة
5. إذا تعلمت طبقات الكتلة المتبقية أن F(x) = 0، فماذا تفعل الكتلة؟
   • يقوم بتمرير المدخلات بشكل فعال من خلال (الهوية) دون تغيير
   • يخرج الصفر ويكسر الشبكة
   • فهو يضاعف المدخلات
   • إنه عشوائي الإخراج
6. ما هو الاتصال المتبقي الذي تصفه ورقة Transformer حول طبقة الانتباه والطبقة المتغذية إلى الأمام؟
   • Replace the sublayer input with a class label
   • Add each sublayer’s output to the sublayer input through a residual connection
   • Average every token globally at the output only
   • Remove the residual stream after self-attention
7. When a residual block changes channel dimensions, what can a projection shortcut do?
   • Convert the input into a text sequence
   • Remove the residual branch
   • Map the shortcut input to the dimensions required for addition
   • Guarantee that every gradient has unit magnitude
8. What sequence of convolutions defines the original ResNet bottleneck block?
   • Three 3×3 convolutions only
   • A 3×3 convolution followed by two fully connected layers
   • A pooling layer followed by two transposed convolutions
   • A 1×1, then 3×3, then 1×1 convolution