গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
গ্রেডিয়েন্ট ডিসেন্ট কুইজ
প্লেইন গ্রেডিয়েন্ট-ডিসেন্ট দিক, শেখার হারের ধাপ, নমুনা গ্রেডিয়েন্ট, ভরবেগ, অ্যাডাম অভিযোজন, সংখ্যাসূচক আপডেট এবং স্থির-বিন্দু সীমা পর্যালোচনা করুন।
প্রশ্ন 1 এর 8
In plain gradient descent, which direction is used relative to the objective's gradient?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- In plain gradient descent, which direction is used relative to the objective's gradient?
- The negative-gradient direction
- The positive-gradient direction
- An arbitrary perpendicular direction by definition
- A direction chosen without evaluating any gradient
- শেখার হার কি নিয়ন্ত্রণ করে?
- মডেলে স্তরের সংখ্যা
- মডেল কত ক্লাস ভবিষ্যদ্বাণী করতে পারেন
- অপ্টিমাইজেশনের সময় নেওয়া প্রতিটি পদক্ষেপের আকার
- ব্যবহৃত প্রশিক্ষণ তথ্য পরিমাণ
- How does a mini-batch gradient relate to the full selected training-data objective?
- It uses no examples
- It is computed on the batch and used as an estimate of the full-data gradient
- It must equal the full-data gradient on every step
- It only exists for images
- কি সমস্যা একটি শেখার হার যে খুব বড় কারণ হতে পারে?
- প্রশিক্ষণ অত্যন্ত ধীর কিন্তু স্থিতিশীল হয়ে ওঠে
- মডেল গ্রেডিয়েন্ট উপেক্ষা করে
- ডেটাসেট নষ্ট হয়ে যায়
- মডেল ন্যূনতম overshoots এবং ভিন্ন হতে পারে
- What information does momentum carry into later gradient-descent updates?
- Only the model's vocabulary size
- A permanent deletion of all earlier gradients
- A running weighted combination of earlier gradients
- An unrelated random reset of every weight
- প্লেইন গ্রেডিয়েন্ট ডিসেন্টের তুলনায় অ্যাডাম অপ্টিমাইজারের একটি মূল বৈশিষ্ট্য কী?
- এটি প্রতিটি প্যারামিটারের জন্য কার্যকর শেখার হারকে অভিযোজিত করে
- এটি প্রতিটি প্যারামিটারের জন্য একটি একক স্থির পদক্ষেপ ব্যবহার করে
- এটা গ্রেডিয়েন্ট প্রয়োজন হয় না
- এটি শুধুমাত্র আউটপুট স্তর প্রশিক্ষণ
- For plain gradient descent with old weight two, gradient three, and learning rate one-tenth, what is the new weight?
- Two-point-three
- One-point-nine-seven
- তিন
- One-point-seven
- What does a zero gradient fail to prove for a nonconvex training objective?
- That the gradient value is zero at the evaluated point
- That the current point is a global minimum
- That the objective has been evaluated locally
- That a stationary-point condition holds