Quiz lié à un guide · Moyen Niveau

Quiz sur les réseaux résiduels

Passez en revue le calcul des blocs résiduels, les raccourcis d'identité, les chemins de gradient, la profondeur de l'ère ImageNet et la façon dont les résidus se reproduisent dans les architectures neuronales.

Chemins de guidage associésRéseaux résiduels
Question 1 de 8

Quel problème les connexions résiduelles ont-elles spécifiquement résolu ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Quel problème les connexions résiduelles ont-elles spécifiquement résolu ?
    • Les réseaux simples plus profonds se forment moins bien que les réseaux moins profonds (dégradation)
    • Les images sont en trop basse résolution
    • Une pénurie de données de formation labellisées
    • Les GPU manquent de mémoire
  2. What does a basic residual block compute when input and output dimensions match?
    • Multiplies the input by itself
    • Adds the block’s learned residual function to its input, y = F(x) + x
    • Drops the input and returns zero
    • Sorts input channels alphabetically
  3. Pourquoi les connexions sautées facilitent-elles les dégradés pendant l'entraînement ?
    • They eliminate the need to train weights
    • They force every layer to output zero
    • They provide an additional direct path for gradient flow around the learned transformation
    • They make deep networks immune to all optimization problems
  4. How deep was the deepest ResNet evaluated in the original ImageNet paper?
    • 18 layers
    • 34 layers
    • 50 layers
    • 152 couches
  5. Si les couches d'un bloc résiduel apprennent F(x) = 0, que fait le bloc ?
    • Il transmet effectivement l'entrée sans changement (identité)
    • Il produit zéro et brise le réseau
    • Cela double l'entrée
    • Il randomise la sortie
  6. What residual connection does the Transformer paper describe around attention and feed-forward sublayers?
    • Replace the sublayer input with a class label
    • Add each sublayer’s output to the sublayer input through a residual connection
    • Average every token globally at the output only
    • Remove the residual stream after self-attention
  7. When a residual block changes channel dimensions, what can a projection shortcut do?
    • Convert the input into a text sequence
    • Remove the residual branch
    • Map the shortcut input to the dimensions required for addition
    • Guarantee that every gradient has unit magnitude
  8. What sequence of convolutions defines the original ResNet bottleneck block?
    • Three 3×3 convolutions only
    • A 3×3 convolution followed by two fully connected layers
    • A pooling layer followed by two transposed convolutions
    • A 1×1, then 3×3, then 1×1 convolution