Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Αρχιτεκτονικών Bottleneck

Ελέγχει τη μείωση του καναλιού, την εξοικονόμηση υπολογιστών, τα ανεστραμμένα υπολείμματα, τις ενημερώσεις χαμηλής κατάταξης και τον κοινό περιορισμό διαστάσεων πίσω από τα σημεία συμφόρησης.

Σχετικές διαδρομές οδηγώνΑρχιτεκτονικές Bottleneck
Ερώτηση 1 του 8

Σε ένα μπλοκ bottleneck ResNet, ποιος είναι ο ρόλος της πρώτης συνέλιξης 1x1;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Σε ένα μπλοκ bottleneck ResNet, ποιος είναι ο ρόλος της πρώτης συνέλιξης 1x1;
    • Για να μειώσετε τον αριθμό των καναλιών πριν από τη συνέλιξη 3x3
    • Για να αυξήσετε τη χωρική ανάλυση
    • Για την εφαρμογή της τελικής ταξινόμησης
    • Για να προσθέσετε θόρυβο για τακτοποίηση
  2. Γιατί μια συμφόρηση καθιστά φθηνότερα τον υπολογισμό των δικτύων σε βάθος;
    • Καταργεί όλες τις ενεργοποιήσεις
    • Εκτελεί ακριβές λειτουργίες σε λιγότερα κανάλια
    • Χρησιμοποιεί μεγαλύτερους πυρήνες παντού
    • Παρακάμπτει την αντίστροφη διάδοση
  3. Σε έναν αυτόματο κωδικοποιητή, το στρώμα συμφόρησης κατά κύριο λόγο καθορίζει:
    • Η επιλογή του βελτιστοποιητή
    • Μορφή αρχείου εικόνας
    • Πόσο συμπιέζεται η είσοδος
    • Το μέγεθος της παρτίδας
  4. Ποια παραλλαγή της ιδέας του bottleneck χρησιμοποιεί το MobileNetV2;
    • Καθαρή συμφόρηση συγκέντρωσης
    • Επαναλαμβανόμενη συμφόρηση
    • Καθόλου εμπόδιο
    • Αντεστραμμένο υπολειπόμενο σημείο συμφόρησης (ανάπτυξη και μετά συστολή)
  5. Πώς εφαρμόζει η LoRA αρχές συμφόρησης σε μεγάλα γλωσσικά μοντέλα;
    • Με την εισαγωγή ενός εκπαιδευτικού χαμηλού (στενού) σημείου συμφόρησης στις ενημερώσεις βάρους
    • Διαγράφοντας επίπεδα προσοχής
    • Διπλασιάζοντας όλα τα βάρη
    • Με ποσοτικοποίηση σε 1 bit
  6. Ένα τυπικό μπλοκ συμφόρησης του ResNet ακολουθεί ποιο μοτίβο καναλιών;
    • Φαρδιά, φαρδιά, φαρδιά
    • Μείωση, επεξεργασία, επαναφορά (π.χ. 256 σε 64 έως 256)
    • Στενό, φαρδύ, στενό
    • Τυχαία ανά στρώση
  7. A ResNet block reduces 256 channels to 64 before its 3×3 convolution. Ignoring the 1×1 layers, what is the 3×3 layer’s approximate multiply-add cost relative to 256 channels?
    • About one-quarter
    • About one-half
    • About one-sixteenth
    • About four times as much
  8. An autoencoder uses a narrow latent code. What constraint does this impose on reconstruction?
    • The encoder must preserve every input pixel exactly
    • The network can no longer use learned weights
    • The decoder must expand the latent code before encoding
    • The decoder must reconstruct the input from a compressed representation