মডেল ছাঁটাই কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. What does model pruning remove from a trained network?
   • আউটপুটে সামান্য অবদান রাখে এমন ওজন বা কাঠামো অপসারণ করা
   • সঠিকতা উন্নত করতে আরও পরামিতি যোগ করা হচ্ছে
   • আরো যুগের জন্য একটি মডেল প্রশিক্ষণ
   • ইনপুট রেজোলিউশন বৃদ্ধি
2. কাঠামোবদ্ধ ছাঁটাইকে অসংগঠিত ছাঁটাই থেকে কী আলাদা করে?
   • কাঠামোগত ছাঁটাই শুধুমাত্র চিত্রগুলিতে কাজ করে
   • কাঠামোগত ছাঁটাই পুরো ইউনিট যেমন নিউরন বা মাথা সরিয়ে দেয়; অসংগঠিত পৃথক ওজন অপসারণ
   • অসংগঠিত ছাঁটাই শুরু থেকে পুনরায় প্রশিক্ষণ প্রয়োজন
   • তাদের মধ্যে কোন ব্যবহারিক পার্থক্য নেই
3. কেন অসংগঠিত ছাঁটাই প্রায়ই সাধারণ হার্ডওয়্যারের একটি মডেলের গতি বাড়াতে ব্যর্থ হয়?
   • এটি অনেকগুলি স্তর মুছে ফেলে
   • এটি সর্বদা নির্ভুলতা শূন্যে হ্রাস করে
   • স্পারস ওয়েট ম্যাট্রিক্সের জন্য শূন্যকে কাজে লাগানোর জন্য বিশেষ হার্ডওয়্যার বা লাইব্রেরি প্রয়োজন
   • এটি পরামিতি সংখ্যা বৃদ্ধি করে
4. সাধারণ পুনরাবৃত্তিমূলক ছাঁটাই রেসিপি কি?
   • একবারে সবকিছু ছাঁটাই, তারপর স্থাপন করুন
   • প্রথমে পরিমাপ করুন, তারপরে পুনরায় প্রশিক্ষণ দেবেন না
   • নির্ভুলতা ড্রপ না হওয়া পর্যন্ত এলোমেলোভাবে স্তরগুলি মুছুন
   • ট্রেন, ন্যূনতম-গুরুত্বপূর্ণ প্যারামিটার ছাঁটাই, পুনরুদ্ধার করার জন্য সূক্ষ্ম-টিউন, এবং পুনরাবৃত্তি করুন
5. লটারি টিকিট হাইপোথিসিস কী দাবি করে?
   • ঘন নেটওয়ার্কগুলিতে বিক্ষিপ্ত সাবনেটওয়ার্ক থাকে যা সঠিক সূচনা থেকে প্রশিক্ষিত হলে সম্পূর্ণ মডেলের সাথে মেলে
   • ছাঁটাই সবসময় সঠিকতা উন্নত করে
   • এলোমেলো ছাঁটাই সর্বদা সেরা
   • বড় মডেল সংকুচিত করা যাবে না
6. কোন ওজন ছাঁটাই করতে হবে তা নির্ধারণ করতে সাধারণত কোন সহজ মানদণ্ড ব্যবহার করা হয়?
   • স্তরের নামের বর্ণানুক্রমিক ক্রম
   • ওজনের পরম মাত্রা
   • সক্রিয়করণ মানচিত্রের রঙ
   • প্রশিক্ষণ উদাহরণ সংখ্যা
7. When is pruning most likely to reduce inference latency on ordinary dense hardware?
   • When individual zeros are added but the dense kernel still computes them
   • When the model is renamed without changing its graph
   • When whole channels or other structures are removed to produce a smaller dense model
   • When a sparse checkpoint is stored in a larger file
8. What should a team measure after pruning for a deployment target?
   • Only the number of zeros in a checkpoint
   • Only training accuracy before pruning
   • Whether the file extension changed
   • Task quality and latency or memory on the intended hardware