Kvíz spojený s průvodcem · Střední úroveň

Kvíz o architektonických problémech

Kontroluje redukci kanálů, výpočetní úspory, invertované rezidua, aktualizace nízké úrovně a sdílené omezení rozměrů za úzkými místy.

Související vodicí cestyÚzké hrdlo architektury
Otázka 1 z 8

Jaká je role první konvoluce 1x1 v bloku úzkého místa ResNet?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká je role první konvoluce 1x1 v bloku úzkého místa ResNet?
    • Chcete-li snížit počet kanálů před konvolucí 3x3
    • Pro zvýšení prostorového rozlišení
    • Aplikovat konečnou klasifikaci
    • Chcete-li přidat hluk pro regularizaci
  2. Proč úzké místo zlevňuje výpočet hlubokých sítí?
    • Odstraní všechny aktivace
    • Provádí drahé operace na méně kanálech
    • Všude používá větší jádra
    • Přeskočí zpětné šíření
  3. V automatickém kodéru vrstva úzkého hrdla primárně určuje:
    • Volba optimalizátoru
    • Formát souboru obrázku
    • Jak moc je vstup komprimován
    • Velikost šarže
  4. MobileNetV2 používá jakou variantu myšlenky úzkého hrdla?
    • Čistý problém sdružování
    • Opakující se úzké hrdlo
    • Vůbec žádné úzké hrdlo
    • Obrácené zbytkové úzké hrdlo (rozbalit a poté stáhnout)
  5. Jak LoRA aplikuje principy úzkých míst na velké jazykové modely?
    • Vložením trénovatelného nízkého (úzkého) úzkého hrdla do aktualizací hmotnosti
    • Odstraněním vrstev pozornosti
    • Zdvojnásobením všech vah
    • Kvantováním na 1 bit
  6. Typický blok úzkého hrdla ResNet následuje jaký vzor kanálu?
    • Široký, široký, široký
    • Zmenšit, zpracovat, obnovit (např. 256 až 64 až 256)
    • Úzké, široké, úzké
    • Náhodně na vrstvu
  7. A ResNet block reduces 256 channels to 64 before its 3×3 convolution. Ignoring the 1×1 layers, what is the 3×3 layer’s approximate multiply-add cost relative to 256 channels?
    • About one-quarter
    • About one-half
    • About one-sixteenth
    • About four times as much
  8. An autoencoder uses a narrow latent code. What constraint does this impose on reconstruction?
    • The encoder must preserve every input pixel exactly
    • The network can no longer use learned weights
    • The decoder must expand the latent code before encoding
    • The decoder must reconstruct the input from a compressed representation