Kvíz spojený s průvodcem · Střední úroveň

Stochastický gradientní sestup s kvízem hybnosti

Otestujte akumulovanou rychlost, tlumení oscilací, efekty koeficientů, konzistentní gradienty, Adamovo spojení a chování při nulové hybnosti.

Související vodicí cestyStochastický Gradient Sestup S Momentem
Otázka 1 z 8

Co kumuluje hybnost během tréninku?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co kumuluje hybnost během tréninku?
    • Celkový počet tréninkových epoch
    • Průběžný (exponenciálně vážený) průměr minulých přechodů
    • Velikost datové sady
    • Historie přesnosti modelu
  2. Jaký problém v dlouhé, úzké rokli trpí obyčejný SGD, který hybnost pomáhá vyřešit?
    • Číselně přetéká
    • Přestane počítat přechody
    • Automaticky zvyšuje rychlost učení
    • Kličkuje po strmých stěnách a pomalu postupuje po podlaze
  3. Běžná výchozí hodnota pro koeficient hybnosti je:
    • 0,9
    • 0,0
    • 0,5
    • 2,0
  4. Která fyzikální analogie se nejčastěji používá k popisu hybnosti?
    • Kyvadlo houpající se věčně
    • Pružina cvakající zpět
    • Těžký míč valící se z kopce
    • Zamrzání vody
  5. O kolik zhruba zesiluje hybnost efektivní krok konzistentním směrem, když beta = 0,9?
    • Asi 2x
    • Asi 0,1krát
    • Žádné zesílení
    • Asi 10krát
  6. Který moderní optimalizátor zahrnuje odhad prvního okamžiku ve stylu hybnosti?
    • Newtonova metoda
    • Adame
    • K-znamená
    • Náhodné hledání
  7. In the update v = beta times v plus gradient, what happens when beta is zero?
    • The old velocity is doubled
    • Every gradient becomes zero
    • The previous velocity is discarded and the current gradient determines the step
    • The parameters stop depending on the learning rate
  8. Why can repeated gradients with opposing sideways directions produce less zig-zagging under momentum?
    • Their opposing contributions can partially cancel in accumulated velocity
    • All past gradients are stored as separate parameters
    • The loss becomes convex automatically
    • Momentum ignores the current gradient entirely