Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ backpropagation

Δοκιμή διαβάθμισης οπισθοδρόμησης, αντίστροφη σειρά εξάρτησης, προσωρινά αποθηκευμένες τιμές προς τα εμπρός, πολλαπλασιασμός κανόνων αλυσίδας, αθροίσματα κοινής διαδρομής και διαχωρισμός βελτιστοποιητή.

Σχετικές διαδρομές οδηγώνΟ πίσω πολλαπλασιασμός
Ερώτηση 1 του 8

What quantity does backpropagation compute for a neural network's relevant weights?

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. What quantity does backpropagation compute for a neural network's relevant weights?
    • Derivatives of the loss with respect to those weights
    • A causal percentage of total error uniquely assigned to each weight
    • The architecture drawing without any calculation
    • A permanently updated set of weights without an optimizer
  2. Ποιος μαθηματικός κανόνας βρίσκεται στο επίκεντρο της αντίστροφης διάδοσης;
    • Το Πυθαγόρειο θεώρημα
    • Θεώρημα Bayes
    • Ο κανόνας της αλυσίδας του λογισμού
    • Ο τετραγωνικός τύπος
  3. Why can reverse-mode backpropagation compute many parameter derivatives efficiently?
    • It avoids all local derivatives
    • It reuses graph structure and relevant intermediate results
    • It calculates only the output prediction again
    • It guarantees every implementation has exactly one forward pass of runtime
  4. Με ποια σειρά υπολογίζει η αντίστροφη διάδοση τις διαβαθμίσεις;
    • Από το επίπεδο εισόδου προς το επίπεδο εξόδου
    • Όλα τα στρώματα ταυτόχρονα χωρίς παραγγελία
    • Μόνο για το μεσαίο κρυφό στρώμα
    • Από το στρώμα εξόδου προς τα πίσω προς το στρώμα εισόδου
  5. Does computing backpropagation gradients by itself establish that model weights were updated?
    • Yes; every backward computation automatically applies a learning rate
    • Yes; gradient values always replace the weights directly
    • No; the optimizer update is a separate step
    • Only if the network has no parameters
  6. In a conventional cached-backpropagation workflow, what does the forward computation provide for later derivative calculations?
    • Relevant intermediate values that can be retained for the backward computation
    • A completed optimizer update without any update rule
    • A guarantee that all later evaluation errors disappear
    • A permanent deletion of the training objective
  7. On one composed backpropagation path, local scalar derivatives are three and four. What is their chain-rule product?
    • Επτά
    • Ένα
    • Three quarters
    • Δώδεκα
  8. A shared parameter has loss-gradient contributions two and five through two paths. What combined contribution is accumulated?
    • Δέκα
    • Επτά
    • Τρεις
    • Two fifths