Mit dem Guide verknüpftes Quiz · Mittel Ebene

Restnetzwerk-Quiz

Überprüfen Sie die Berechnung von Restblöcken, Identitätsverknüpfungen, Gradientenpfade, die Tiefe der ImageNet-Ära und wie Residuen in neuronalen Architekturen wiederkehren.

Verwandte FührungspfadeRestnetzwerke
Frage 1 von 8

Welches Problem haben Restverbindungen konkret gelöst?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Welches Problem haben Restverbindungen konkret gelöst?
    • Tiefere, flache Netzwerke trainieren schlechter als flachere (Degradation)
    • Bilder haben eine zu niedrige Auflösung
    • Ein Mangel an gekennzeichneten Trainingsdaten
    • GPUs haben nicht mehr genügend Speicher
  2. What does a basic residual block compute when input and output dimensions match?
    • Multiplies the input by itself
    • Adds the block’s learned residual function to its input, y = F(x) + x
    • Drops the input and returns zero
    • Sorts input channels alphabetically
  3. Warum helfen Skip-Verbindungen bei Steigungen während des Trainings?
    • They eliminate the need to train weights
    • They force every layer to output zero
    • They provide an additional direct path for gradient flow around the learned transformation
    • They make deep networks immune to all optimization problems
  4. How deep was the deepest ResNet evaluated in the original ImageNet paper?
    • 18 layers
    • 34 layers
    • 50 layers
    • 152 Schichten
  5. Was macht der Block, wenn die Schichten eines Restblocks F(x) = 0 lernen?
    • Es leitet die Eingabe effektiv unverändert weiter (Identität).
    • Es gibt Null aus und unterbricht das Netzwerk
    • Es verdoppelt den Input
    • Es randomisiert die Ausgabe
  6. What residual connection does the Transformer paper describe around attention and feed-forward sublayers?
    • Replace the sublayer input with a class label
    • Add each sublayer’s output to the sublayer input through a residual connection
    • Average every token globally at the output only
    • Remove the residual stream after self-attention
  7. When a residual block changes channel dimensions, what can a projection shortcut do?
    • Convert the input into a text sequence
    • Remove the residual branch
    • Map the shortcut input to the dimensions required for addition
    • Guarantee that every gradient has unit magnitude
  8. What sequence of convolutions defines the original ResNet bottleneck block?
    • Three 3×3 convolutions only
    • A 3×3 convolution followed by two fully connected layers
    • A pooling layer followed by two transposed convolutions
    • A 1×1, then 3×3, then 1×1 convolution