Cuestionario vinculado a una guía · fácil Nivel

Prueba para detenerse temprano

Cubre el monitoreo de validación, la paciencia y la recuperación de puntos de control, y cuando la parada anticipada puede regularizar el entrenamiento sin garantizar un menor error de prueba.

Rutas de guía relacionadasParada temprana
Pregunta 1 de 8

¿Qué señal monitorea principalmente la parada anticipada para decidir cuándo detenerse?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué señal monitorea principalmente la parada anticipada para decidir cuándo detenerse?
    • Rendimiento del conjunto de validación
    • Pérdida del conjunto de entrenamiento
    • temperatura de la GPU
    • Número de parámetros del modelo
  2. ¿Qué controla el parámetro 'paciencia'?
    • La tasa máxima de aprendizaje
    • ¿Cuántas épocas esperar sin mejorar antes de detenerse?
    • El tamaño del lote
    • El número de pliegues de validación.
  3. Después de los factores desencadenantes de la parada temprana, ¿qué pesos debería mantener normalmente?
    • Los pesos de la época final.
    • Los pesos inicializados aleatoriamente
    • Los pesos de la mejor época de validación.
    • El promedio de todas las épocas.
  4. Why can early stopping act as a form of regularization?
    • It adds a fixed L2 penalty to every weight
    • It guarantees lower test error on every dataset
    • It prevents the model from seeing training examples
    • It limits how long optimization proceeds and can reduce fitting to training-specific patterns
  5. La forma típica de la curva de error de validación durante el entrenamiento se describe mejor como:
    • Una forma de U que cae y luego sube.
    • monótonamente decreciente
    • una linea plana
    • monótonamente creciente
  6. ¿Qué especifica normalmente el umbral 'min_delta'?
    • El número mínimo de capas.
    • La mejora mínima que cuenta como progreso
    • El tamaño mínimo del lote
    • El tamaño mínimo del conjunto de datos
  7. What does patience allow an early-stopping rule to do?
    • Continue training forever regardless of validation results
    • Change the model architecture after every batch
    • Wait through a set number of validation checks without qualifying improvement before stopping
    • Use the test set to select the final epoch
  8. Why should the test set generally remain outside the early-stopping loop?
    • The test set cannot contain labels
    • Training libraries cannot load test data
    • Early stopping requires the test set to be empty
    • Repeatedly selecting by test performance would make it part of model selection