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.
Otázka 1 z 8
Jaký problém má primárně řešit adaptace domény?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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