Kvíz spojený s průvodcem · Střední úroveň

Kvíz o přizpůsobení domény

Testujte posuny zdroje a cíle, gradienty obrácených domén, nedostatek cílových značek, metody bez zdroje a samostatné cíle klasifikátorů.

Související vodicí cestyAdaptace domény
Otázka 1 z 8

Jaký problém má primárně řešit adaptace domény?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký problém má primárně řešit adaptace domény?
    • Snížení počtu parametrů modelu
    • Urychlení násobení matic na GPU
    • Pokles výkonu, když se testovací data liší od tréninkových dat
    • Automatické generování syntetických tréninkových štítků
  2. Čeho v síti doména-adversariální reverzní vrstva dosahuje?
    • Posouvá extraktor funkcí tak, aby byl zdroj a cíl nerozeznatelný
    • Během odvození odstraní klasifikátor domény
    • Zdvojnásobuje rychlost učení pro rychlejší trénink
    • Převádí regresní výstupy na klasifikační štítky
  3. Proč je adaptace domény bez dozoru obzvláště užitečná?
    • Nevyžaduje vůbec žádné modelové školení
    • Funguje pouze na obrazových datech
    • Odstraňuje potřebu zdrojové domény
    • V cílové doméně nepotřebuje žádná označená data
  4. Který scénář je klasickým příkladem přesunu domény?
    • Model vyškolený a testovaný na přesně stejném souboru dat
    • Klasifikátor nádorů vyškolený na jednom skeneru selhal na jiném skeneru
    • Model, který po kvantizaci běží rychleji
    • Síť s více vrstvami než jiná síť
  5. Čemu se má vyhnout metoda adaptace domény „bez zdroje“?
    • Přístup k původním zdrojovým tréninkovým datům během adaptace
    • Použití libovolné architektury neuronové sítě
    • Vytváření jakýchkoli předpovědí výstupu
    • Běží na moderních GPU
  6. A team starts adaptation from a broadly pretrained model. What should it still measure?
    • Only the parameter count
    • Only source training accuracy
    • Performance on the actual target data and task
    • Whether target evaluation can be skipped
  7. Which DANN head supplies the objective to distinguish source examples from target examples?
    • The task label vocabulary
    • The domain classifier
    • The optimizer checkpoint file
    • A fixed output embedding dimension
  8. Does gradient reversal mean changing a positive class label into a negative class label?
    • Yes; every task label is negated
    • Yes; all target samples are relabeled as source
    • No; it freezes every feature weight
    • No; it reverses the domain gradient into the feature extractor