Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Depthwise Separable Convolutions

Εφαρμόστε τον διαχωρισμό σε βάθος και κατά σημείο, συγκρίνετε το κόστος συνέλιξης, υπολογίστε ένα μικρό παράδειγμα και αναγνωρίστε την αποτελεσματική σχεδίαση μοντέλων κινητής τηλεφωνίας.

Σχετικές διαδρομές οδηγώνDepthwise Separable Convelutions
Ερώτηση 1 του 8

Ποια είναι τα δύο βήματα στα οποία μια εις βάθος διαχωρίσιμη συνέλιξη χωρίζει μια τυπική συνέλιξη;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια είναι τα δύο βήματα στα οποία μια εις βάθος διαχωρίσιμη συνέλιξη χωρίζει μια τυπική συνέλιξη;
    • Ένα βήμα συγκέντρωσης που ακολουθείται από ένα βήμα κανονικοποίησης
    • Δύο στοιβαγμένες συνελίξεις 3x3 με ένα ReLU ανάμεσά τους
    • Ένα χωρικό φίλτρο σε βάθος ανά κανάλι και, στη συνέχεια, ένα μείγμα καναλιών 1x1 κατά σημείο
    • Μια περιέλιξη κωδικοποιητή και μια αποσυνέλιξη αποκωδικοποιητή
  2. Στο βήμα σε βάθος, πώς αντιμετωπίζονται τα κανάλια εισόδου;
    • Κάθε κανάλι φιλτράρεται ανεξάρτητα με τον δικό του πυρήνα
    • Όλα τα κανάλια αθροίζονται πρώτα
    • Τα κανάλια ανακατεύονται τυχαία πριν από το φιλτράρισμα
    • Μόνο το πρώτο κανάλι είναι μπερδεμένο
  3. For many output channels, what operation-count reduction does the guide associate with a 3×3 depthwise separable convolution?
    • Περίπου 2 φορές λιγότερο
    • Περίπου 100 φορές λιγότερο
    • Χρησιμοποιεί περισσότερους υπολογισμούς, όχι λιγότερους
    • Περίπου 8 με 9 φορές λιγότερο
  4. Ποιος είναι ο ρόλος της σημειακής περιέλιξης (1x1) σε αυτό το σχέδιο;
    • Για μείωση του δείγματος της χωρικής ανάλυσης
    • Για να συνδυάσετε πληροφορίες σε όλα τα κανάλια σε κάθε τοποθεσία
    • Για να προσθέσετε κωδικοποιήσεις θέσης
    • Για να αφαιρέσετε τους όρους μεροληψίας
  5. Ποια γνωστή αρχιτεκτονική έκανε δημοφιλή τις σε βάθος διαχωρίσιμες συνελίξεις για κινητές συσκευές;
    • MobileNet
    • ResNet
    • AlexNet
    • LSTM
  6. An implementation applies only the depthwise spatial filters and omits the pointwise layer. Which capability is missing from that block?
    • Spatial filtering within each channel
    • Separate kernels for the input channels
    • Learned combination of information across channels
    • Local spatial feature extraction
  7. Using the guide’s formulas with M = 4 input channels and N = 16 outputs, how many multiply-adds per location do standard and separable 3×3 convolutions require?
    • Standard 100; separable 576
    • Standard 576; separable 100
    • Standard 576; separable 36
    • Standard 64; separable 100
  8. In the guide’s cost ratio 1/N + 1/9 for a 3×3 separable convolution, what happens as the output-channel count N becomes very large?
    • The ratio approaches 9
    • The ratio approaches zero
    • The ratio becomes independent of kernel size for every kernel
    • The ratio approaches 1/9