Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zur Suche nach neuronaler Architektur

Informieren Sie sich über NAS-Suchräume, Algorithmen, frühe Suchkosten, DARTS-Entspannung, Gewichtsverteilung und Bewertungsvorbehalte. Überprüfen Sie Annahmen und Umfang.

Verwandte FührungspfadeSuche nach neuronaler Architektur
Frage 1 von 8

Was automatisiert die Neural Architecture Search?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was automatisiert die Neural Architecture Search?
    • Das Design der Struktur des neuronalen Netzwerks
    • Trainingsdaten kennzeichnen
    • Kühlung der GPU-Server
    • Dokumentation für Modelle schreiben
  2. Welche drei Komponenten definieren eine NAS-Methode?
    • Datensatz, Optimierer und Dropout
    • Suchraum, Suchstrategie und Leistungsschätzung
    • Encoder, Decoder und Aufmerksamkeit
    • Trainings-, Validierungs- und Testsätze
  3. What accelerator scale did the original reinforcement-learning NAS paper report for its large search?
    • One GPU for every NAS method
    • A fixed cost of exactly 1,000 GPU-days for every search
    • An experiment using 800 GPUs in that study
    • No accelerator use during architecture search
  4. Welchen Schlüsseltrick nutzt DARTS, um die Suche effizient zu gestalten?
    • Es trainiert anhand eines einzelnen Beispiels
    • Es entfernt alle verborgenen Ebenen
    • Es wird nur eine Zufallssuche verwendet
    • Es lockert diskrete Architekturentscheidungen in kontinuierliche Entscheidungen auf, die durch Farbverläufe optimiert werden können
  5. Was ist ein „Supernet“ bei Weight-Sharing-NAS?
    • Ein überparametrisiertes Netzwerk, das alle Kandidatenarchitekturen enthält, deren Gewichte gemeinsam genutzt werden
    • Ein Netzwerk mit Milliarden von Parametern
    • Ein Netzwerk, das ausschließlich auf Supercomputern läuft
    • Eine Sicherungskopie des Modells
  6. What did the HURRICANE hardware-aware NAS study evaluate?
    • One architecture that is guaranteed optimal on every device
    • Tailored architectures for three hardware types under matched latency constraints
    • A language model trained without any hardware measurements
    • A method that removes latency from architecture evaluation
  7. What is one limitation of weight-sharing NAS supernets?
    • They remove all architecture choices
    • They guarantee the globally best architecture
    • The shared weights can bias architecture rankings relative to training each candidate independently
    • They do not use neural networks
  8. What does a NAS evaluation need to report for a fair comparison?
    • Only the best test score
    • The GPU brand alone
    • The model name without settings
    • Search space, compute budget, validation protocol, and final retraining setup