Тест, свързан с ръководство · Среден Ниво

Тест за търсене на невронна архитектура

Прегледайте пространствата за търсене на NAS, алгоритмите, разходите за ранно търсене, релаксацията на DARTS, споделянето на теглото и предупрежденията за оценка. Проверете допусканията и обхвата.

Свързани ръководни пътекиТърсене на невронна архитектура
Въпрос 1 на 8

Какво автоматизира Neural Architecture Search?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво автоматизира Neural Architecture Search?
    • Проектиране на структурата на невронната мрежа
    • Етикетиране на данни за обучение
    • Охлаждане на GPU сървърите
    • Писане на документация за модели
  2. Кои три компонента определят NAS метод?
    • Набор от данни, оптимизатор и отпадане
    • Пространство за търсене, стратегия за търсене и оценка на ефективността
    • Енкодер, декодер и внимание
    • Комплекти за обучение, валидиране и тестове
  3. What accelerator scale did the original reinforcement-learning NAS paper report for its large search?
    • One GPU for every NAS method
    • A fixed cost of exactly 1,000 GPU-days for every search
    • An experiment using 800 GPUs in that study
    • No accelerator use during architecture search
  4. Какъв ключов трик използва DARTS, за да направи търсенето ефективно?
    • Обучава се на единичен пример
    • Премахва всички скрити слоеве
    • Използва само произволно търсене
    • Той облекчава дискретните избори на архитектура в непрекъснати, оптимизируеми чрез градиенти
  5. Какво е „супермрежа“ в NAS за споделяне на тегло?
    • Една свръхпараметризирана мрежа, съдържаща всички кандидат-архитектури, чиито тегла се споделят
    • Мрежа с милиарди параметри
    • Мрежа, работеща само на суперкомпютри
    • Резервно копие на модела
  6. What did the HURRICANE hardware-aware NAS study evaluate?
    • One architecture that is guaranteed optimal on every device
    • Tailored architectures for three hardware types under matched latency constraints
    • A language model trained without any hardware measurements
    • A method that removes latency from architecture evaluation
  7. What is one limitation of weight-sharing NAS supernets?
    • They remove all architecture choices
    • They guarantee the globally best architecture
    • The shared weights can bias architecture rankings relative to training each candidate independently
    • They do not use neural networks
  8. What does a NAS evaluation need to report for a fair comparison?
    • Only the best test score
    • The GPU brand alone
    • The model name without settings
    • Search space, compute budget, validation protocol, and final retraining setup