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.
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.
- 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
- Které matematické pravidlo je jádrem zpětného šíření?
- Pythagorova věta
- Bayesova věta
- Řetězové pravidlo kalkulu
- Kvadratický vzorec
- 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
- 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
- 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
- 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
- On one composed backpropagation path, local scalar derivatives are three and four. What is their chain-rule product?
- Sedm
- Jeden
- Three quarters
- dvanáct
- A shared parameter has loss-gradient contributions two and five through two paths. What combined contribution is accumulated?
- deset
- Sedm
- tři
- Two fifths