Тест за адаптиране на домейн

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какъв проблем е основно предназначено да разреши адаптирането на домейна?
   • Намаляване на броя на параметрите на модела
   • Ускоряване на умножението на матрици на GPU
   • Намаляване на производителността, когато данните от теста се различават от данните за обучението
   • Автоматично генериране на синтетични етикети за обучение
2. Какво постига слоят за обръщане на градиента в мрежа със съперничество между домейни?
   • Той натиска екстрактора на функции, за да направи източника и целта неразличими
   • Той изтрива класификатора на домейна по време на извод
   • Удвоява скоростта на обучение за по-бързо обучение
   • Той преобразува регресионните резултати в класификационни етикети
3. Какво прави „неконтролираната“ адаптация на домейн особено полезна?
   • Изобщо не изисква обучение на модел
   • Работи само с данни за изображения
   • Това елиминира необходимостта от изходен домейн
   • Не се нуждае от етикетирани данни в целевия домейн
4. Кой сценарий е класически пример за изместване на домейна?
   • Модел, обучен и тестван върху точно същия набор от данни
   • Класификатор на тумори, обучен на един скенер, се проваля на друг скенер
   • Модел, който работи по-бързо след квантуване
   • Мрежа с повече слоеве от друга мрежа
5. Какво представлява методът за адаптиране на домейн „без източник“, предназначен да избягва?
   • Достъп до оригиналните изходни данни за обучение по време на адаптация
   • Използване на всяка архитектура на невронна мрежа
   • Произвеждане на всякакви изходни прогнози
   • Работи на модерни графични процесори
6. A team starts adaptation from a broadly pretrained model. What should it still measure?
   • Only the parameter count
   • Only source training accuracy
   • Performance on the actual target data and task
   • Whether target evaluation can be skipped
7. Which DANN head supplies the objective to distinguish source examples from target examples?
   • The task label vocabulary
   • The domain classifier
   • The optimizer checkpoint file
   • A fixed output embedding dimension
8. Does gradient reversal mean changing a positive class label into a negative class label?
   • Yes; every task label is negated
   • Yes; all target samples are relabeled as source
   • No; it freezes every feature weight
   • No; it reverses the domain gradient into the feature extractor