Cuestionario vinculado a una guía · Medio Nivel

Prueba de búsqueda de arquitectura neuronal

Revise los espacios de búsqueda de NAS, los algoritmos, el costo de la búsqueda temprana, el descanso de DARTS, el peso compartido y las advertencias de evaluación. Verificar supuestos y alcance.

Rutas de guía relacionadasBúsqueda de arquitectura neuronal
Pregunta 1 de 8

¿Qué automatiza la búsqueda de arquitectura neuronal?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué automatiza la búsqueda de arquitectura neuronal?
    • El diseño de la estructura de la red neuronal.
    • Etiquetar datos de entrenamiento
    • Enfriar los servidores GPU
    • Redacción de documentación para modelos.
  2. ¿Qué tres componentes definen un método NAS?
    • Conjunto de datos, optimizador y abandono
    • Espacio de búsqueda, estrategia de búsqueda y estimación del rendimiento.
    • Codificador, decodificador y atención.
    • Conjuntos de entrenamiento, validación y prueba.
  3. What accelerator scale did the original reinforcement-learning NAS paper report for its large search?
    • One GPU for every NAS method
    • A fixed cost of exactly 1,000 GPU-days for every search
    • An experiment using 800 GPUs in that study
    • No accelerator use during architecture search
  4. ¿Qué truco clave utiliza DARTS para que la búsqueda sea eficiente?
    • Se entrena con un solo ejemplo.
    • Elimina todas las capas ocultas.
    • Utiliza sólo búsqueda aleatoria.
    • Relaja las opciones de arquitectura discretas en opciones continuas optimizables mediante gradientes.
  5. ¿Qué es una 'superred' en un NAS de peso compartido?
    • Una red sobreparametrizada que contiene todas las arquitecturas candidatas, cuyos pesos se comparten
    • Una red con miles de millones de parámetros
    • Una red que se ejecuta únicamente en supercomputadoras
    • Una copia de seguridad del modelo.
  6. What did the HURRICANE hardware-aware NAS study evaluate?
    • One architecture that is guaranteed optimal on every device
    • Tailored architectures for three hardware types under matched latency constraints
    • A language model trained without any hardware measurements
    • A method that removes latency from architecture evaluation
  7. What is one limitation of weight-sharing NAS supernets?
    • They remove all architecture choices
    • They guarantee the globally best architecture
    • The shared weights can bias architecture rankings relative to training each candidate independently
    • They do not use neural networks
  8. What does a NAS evaluation need to report for a fair comparison?
    • Only the best test score
    • The GPU brand alone
    • The model name without settings
    • Search space, compute budget, validation protocol, and final retraining setup