Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο
Κουίζ συντονισμού υπερπαραμέτρων
Ελέγχει υπερπαραμέτρους έναντι βαρών, αναζήτηση βάσει επικύρωσης, τυχαίες και Bayesian μεθόδους, υπερζώνη και διαρροή σε σύνολο δοκιμών.
Ερώτηση 1 του 8
Τι διακρίνει μια υπερπαράμετρο από μια παράμετρο κανονικού μοντέλου;
Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις
Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.
- Τι διακρίνει μια υπερπαράμετρο από μια παράμετρο κανονικού μοντέλου;
- Οι υπερπαράμετροι ορίζονται πριν από την εκπαίδευση και δεν μαθαίνονται απευθείας από τα δεδομένα
- Οι υπερπαράμετροι μαθαίνονται αυτόματα με gradient descent κατά τη διάρκεια της προπόνησης
- Υπερπαράμετροι υπάρχουν μόνο σε γραμμικά μοντέλα
- Δεν υπάρχει πραγματική διαφορά μεταξύ τους
- Ποια θεωρείται συνήθως η μοναδική υπερπαράμετρος με τη μεγαλύτερη επιρροή για συντονισμό στη βαθιά μάθηση;
- Ο τυχαίος σπόρος
- Το ποσοστό μάθησης
- Η μορφή αρχείου του συνόλου δεδομένων
- Το όνομα της μεταβλητής βελτιστοποίησης
- Γιατί η τυχαία αναζήτηση συχνά ξεπερνά την αναζήτηση πλέγματος για συντονισμό υπερπαραμέτρων;
- Δοκιμάζει πάντα περισσότερους συνολικούς συνδυασμούς
- Δεν απαιτεί σύνολο επικύρωσης
- Δοκιμάζει το χώρο πιο αποτελεσματικά, βρίσκοντας καλές τιμές χωρίς να καλύπτει εξαντλητικά κάθε σημείο του πλέγματος
- Μαθαίνει τα βάρη και τις υπερπαραμέτρους ταυτόχρονα
- Πώς επιλέγει η Bayesian βελτιστοποίηση ποια διαμόρφωση υπερπαραμέτρων θα δοκιμάσει στη συνέχεια;
- Επιλέγει διαμορφώσεις εντελώς τυχαία κάθε φορά
- Επιλέγει πάντα τη διαμόρφωση με τα περισσότερα επίπεδα
- Αντιγράφει ακριβώς τις ρυθμίσεις της προηγούμενης δοκιμής
- Δημιουργεί ένα μοντέλο του οποίου οι ρυθμίσεις φαίνονται ελπιδοφόρες και εξισορροπεί την εξερεύνηση της αβεβαιότητας με την εκμετάλλευση των καλών αποτελεσμάτων
- Γιατί το τελικό σύνολο δοκιμής πρέπει να παραμένει ανέγγιχτο κατά τη διάρκεια του συντονισμού υπερπαραμέτρων;
- Επειδή ο συντονισμός θα διέρρεε πληροφορίες και θα έδινε μια υπεραισιόδοξη εκτίμηση της πραγματικής απόδοσης
- Επειδή το σύνολο δοκιμής χρησιμοποιείται για τον υπολογισμό των βαρών
- Επειδή το σύνολο δοκιμής είναι πάντα μικρότερο από το σύνολο επικύρωσης
- Επειδή οι υπερπαράμετροι αποθηκεύονται στο σύνολο δοκιμής
- Ποιο πρόβλημα επιλύει ένα σχήμα πρόωρης διακοπής όπως το Hyperband στον συντονισμό υπερπαραμέτρων;
- Καταργεί την ανάγκη για ρυθμό μάθησης
- Εξοικονομεί υπολογισμούς σκοτώνοντας δοκιμές με χαμηλή απόδοση νωρίς και δίνοντας πόρους σε πολλά υποσχόμενες
- Εγγυάται ότι το μοντέλο δεν θα ταιριάζει υπερβολικά
- Μετατρέπει τις υπερπαραμέτρους σε παραμέτρους που μπορούν να μάθουν
- Στη βελτιστοποίηση υπερπαραμέτρων Bayes, τι ρόλο παίζει το πιθανολογικό υποκατάστατο μοντέλο;
- Αντικαθιστά την εκπαίδευση κάθε υποψηφίου με εγγυημένη ακριβή βαθμολογία
- Ενημερώνει τα βάρη του μοντέλου κατά την τελική δοκιμή
- Εκτιμά πόσο ελπιδοφόρες μπορεί να είναι οι διαμορφώσεις και καθοδηγεί την επόμενη δοκιμή
- Επισημαίνει τα παραδείγματα εκπαίδευσης
- Γιατί πρέπει οι δοκιμές συντονισμού να συγκρίνονται σε ένα σύνολο επικύρωσης αντί για το τελικό σύνολο δοκιμών;
- Το σετ δοκιμής δεν μπορεί να περιέχει ετικέτες
- Το σύνολο επικύρωσης είναι πάντα μεγαλύτερο
- Το μοντέλο δεν μπορεί να προβλέψει σε ένα δοκιμαστικό σύνολο
- Η επαναλαμβανόμενη ανατροφοδότηση σε σύνολο δοκιμών θα διέρρεε πληροφορίες και θα καθιστούσε την τελική εκτίμηση υπερβολικά αισιόδοξη