গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
চক্রীয় শেখার হার কুইজ
ত্রিভুজাকার শেখার হারের চক্র, পরিসর পরীক্ষা, গতির আচরণ এবং পুনরাবৃত্তি চক্র এবং এক-চক্র প্রশিক্ষণের মধ্যে পার্থক্য পরীক্ষা করে।
প্রশ্ন 1 এর 8
চক্রীয় শিক্ষার হার কোন মূল অনুমানকে চ্যালেঞ্জ করে?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- চক্রীয় শিক্ষার হার কোন মূল অনুমানকে চ্যালেঞ্জ করে?
- যে শেখার হার শুধুমাত্র প্রশিক্ষণের সময় হ্রাস করা উচিত
- সেই ব্যাচের আকার অবশ্যই স্থির থাকতে হবে
- যে মডেলের GPUs প্রয়োজন
- যে তথ্য পরিবর্তন করা আবশ্যক
- What did Smith report for cyclical learning rates on tested classification tasks?
- They always lowered training loss to zero
- They improved accuracy versus fixed rates, often in fewer iterations
- They removed the need for validation data
- They guaranteed escape from every sharp minimum
- 'এলআর রেঞ্জ টেস্ট' কী করে?
- GPU মেমরির ব্যবহার পরিমাপ করে
- মডেল প্যারামিটারের সংখ্যা গণনা করে
- ভাল বাউন্ড বাছাই করার জন্য ক্ষতি দেখার সময় শেখার হারকে ঊর্ধ্বমুখী করে
- বিতরণের বাইরের ডেটাতে মডেলটি পরীক্ষা করে
- এক-চক্র নীতিতে, মোমেন্টাম সাধারণত শেখার হারের সাথে কীভাবে আচরণ করে?
- মোমেন্টাম সর্বত্র স্থির থাকে
- মোমেন্টাম পুরো সময় শূন্য সেট করা হয়
- গতির সাথে সাথে ধাপে ধাপে ঠিক বাড়ে
- গতিবেগ বিপরীতভাবে চলে — যখন হার কম হয় তখন উচ্চ এবং হার বেশি হলে কম
- During a triangular cyclical learning-rate cycle, how does the rate move between its bounds?
- It rises from the base rate to the maximum, then falls back toward the base
- It only decreases from the first step
- It stays fixed at the maximum
- It jumps randomly at every minibatch
- চক্রীয় শিক্ষার হার এবং এলআর পরিসর পরীক্ষা কে প্রবর্তন করেন?
- জিওফ্রে হিন্টন
- লেসলি স্মিথ
- ইয়ান লেকুন
- আন্দ্রেজ কার্পাথি
- What sets the duration of a cyclical learning-rate cycle?
- The number of model layers
- শব্দভান্ডারের আকার
- A chosen number of training iterations for the up-and-down pattern
- The number of optimizer parameters
- What distinguishes the one-cycle policy from repeating several triangular cycles?
- It keeps the learning rate constant throughout
- It removes the optimizer’s momentum
- It measures the learning rate only once
- It uses one long learning-rate cycle for the training run