গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

বটলনেক আর্কিটেকচার কুইজ

চ্যানেল হ্রাস, গণনা সঞ্চয়, উল্টানো অবশিষ্টাংশ, নিম্ন-র্যাঙ্ক আপডেট এবং বাধার পিছনে ভাগ করা মাত্রার সীমাবদ্ধতা পরীক্ষা করে।

সম্পর্কিত গাইড পাথবটলনেক আর্কিটেকচার
প্রশ্ন 1 এর 8

একটি ResNet বটলনেক ব্লকে, প্রথম 1x1 কনভোলিউশনের ভূমিকা কী?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. একটি ResNet বটলনেক ব্লকে, প্রথম 1x1 কনভোলিউশনের ভূমিকা কী?
    • 3x3 কনভোলিউশনের আগে চ্যানেলের সংখ্যা কমাতে
    • স্থানিক রেজল্যুশন বাড়ানোর জন্য
    • চূড়ান্ত শ্রেণীবিভাগ প্রয়োগ করতে
    • নিয়মিতকরণের জন্য শব্দ যোগ করতে
  2. কেন একটি বটলনেক গভীর নেটওয়ার্কগুলিকে গণনা করা সস্তা করে তোলে?
    • এটি সমস্ত অ্যাক্টিভেশনগুলি সরিয়ে দেয়
    • এটি কম চ্যানেলে ব্যয়বহুল অপারেশন করে
    • এটি সর্বত্র বড় কার্নেল ব্যবহার করে
    • এটা backpropagation এড়িয়ে যায়
  3. একটি অটোএনকোডারে, বটলনেক স্তর প্রাথমিকভাবে নির্ধারণ করে:
    • অপ্টিমাইজার পছন্দ
    • ইমেজ ফাইল ফরম্যাট
    • ইনপুট কতটা সংকুচিত হয়
    • ব্যাচের আকার
  4. MobileNetV2 বটলনেক ধারণার কোন রূপটি ব্যবহার করে?
    • বিশুদ্ধ পুলিং বাধা
    • বারবার বাধা
    • কোনো বাধা নেই
    • উল্টানো অবশিষ্ট বাধা (এরপর চুক্তি প্রসারিত করুন)
  5. কিভাবে LoRA বড় ভাষার মডেলে বাধা নীতি প্রয়োগ করে?
    • ওজন আপডেটে একটি প্রশিক্ষণযোগ্য নিম্ন-র্যাঙ্ক (সংকীর্ণ) বাধা সন্নিবেশ করে
    • মনোযোগ স্তর মুছে ফেলার মাধ্যমে
    • সমস্ত ওজন দ্বিগুণ করে
    • 1 বিট পরিমাপ করে
  6. একটি সাধারণ ResNet বটলনেক ব্লক কোন চ্যানেল প্যাটার্ন অনুসরণ করে?
    • প্রশস্ত, প্রশস্ত, প্রশস্ত
    • হ্রাস করুন, প্রক্রিয়া করুন, পুনরুদ্ধার করুন (যেমন, 256 থেকে 64 থেকে 256 পর্যন্ত)
    • সরু, প্রশস্ত, সরু
    • প্রতি স্তর এলোমেলো
  7. A ResNet block reduces 256 channels to 64 before its 3×3 convolution. Ignoring the 1×1 layers, what is the 3×3 layer’s approximate multiply-add cost relative to 256 channels?
    • About one-quarter
    • About one-half
    • About one-sixteenth
    • About four times as much
  8. An autoencoder uses a narrow latent code. What constraint does this impose on reconstruction?
    • The encoder must preserve every input pixel exactly
    • The network can no longer use learned weights
    • The decoder must expand the latent code before encoding
    • The decoder must reconstruct the input from a compressed representation