Kvíz spojený s průvodcem · Střední úroveň

Backpropagation kvíz

Testujte gradienty zpětného šíření, obrácené pořadí závislostí, dopředné hodnoty uložené v mezipaměti, násobení řetězových pravidel, součty sdílených cest a oddělení optimalizátoru.

Související vodicí cestyZpětná propagace
Otázka 1 z 8

Jakou veličinu vypočítá backpropagation pro relevantní váhy neuronové sítě?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jakou veličinu vypočítá backpropagation pro relevantní váhy neuronové sítě?
    • Derivatives of the loss with respect to those weights
    • A causal percentage of total error uniquely assigned to each weight
    • The architecture drawing without any calculation
    • A permanently updated set of weights without an optimizer
  2. Které matematické pravidlo je jádrem zpětného šíření?
    • Pythagorova věta
    • Bayesova věta
    • Řetězové pravidlo kalkulu
    • Kvadratický vzorec
  3. Proč může zpětné šíření v reverzním režimu efektivně vypočítat mnoho derivací parametrů?
    • It avoids all local derivatives
    • It reuses graph structure and relevant intermediate results
    • It calculates only the output prediction again
    • It guarantees every implementation has exactly one forward pass of runtime
  4. V jakém pořadí počítá backpropagation gradienty?
    • Od vstupní vrstvy směrem k výstupní vrstvě
    • Všechny vrstvy současně bez pořadí
    • Pouze pro střední skrytou vrstvu
    • Od výstupní vrstvy zpět ke vstupní vrstvě
  5. Ukazuje výpočet gradientů zpětného šíření sám o sobě, že váhy modelu byly aktualizovány?
    • Yes; every backward computation automatically applies a learning rate
    • Yes; gradient values always replace the weights directly
    • No; the optimizer update is a separate step
    • Only if the network has no parameters
  6. In a conventional cached-backpropagation workflow, what does the forward computation provide for later derivative calculations?
    • Relevant intermediate values that can be retained for the backward computation
    • A completed optimizer update without any update rule
    • A guarantee that all later evaluation errors disappear
    • A permanent deletion of the training objective
  7. On one composed backpropagation path, local scalar derivatives are three and four. What is their chain-rule product?
    • Sedm
    • Jeden
    • Three quarters
    • dvanáct
  8. A shared parameter has loss-gradient contributions two and five through two paths. What combined contribution is accumulated?
    • deset
    • Sedm
    • tři
    • Two fifths