गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर

हाइपरपैरामीटर ट्यूनिंग प्रश्नोत्तरी

हाइपरपैरामीटर बनाम वज़न, सत्यापन-आधारित खोज, यादृच्छिक और बायेसियन तरीकों, हाइपरबैंड और परीक्षण-सेट रिसाव की जाँच करता है।

संबंधित मार्गदर्शक पथहाइपरपैरामीटर ट्यूनिंग
प्रश्न 1 का 8

हाइपरपैरामीटर को नियमित मॉडल पैरामीटर से क्या अलग करता है?

प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

  1. हाइपरपैरामीटर को नियमित मॉडल पैरामीटर से क्या अलग करता है?
    • हाइपरपैरामीटर प्रशिक्षण से पहले सेट किए जाते हैं और सीधे डेटा से नहीं सीखे जाते हैं
    • प्रशिक्षण के दौरान ग्रेडिएंट डिसेंट द्वारा हाइपरपैरामीटर स्वचालित रूप से सीखे जाते हैं
    • हाइपरपैरामीटर केवल रैखिक मॉडल में मौजूद होते हैं
    • उनके बीच कोई वास्तविक अंतर नहीं है
  2. गहन शिक्षण में ट्यून करने के लिए आमतौर पर सबसे प्रभावशाली हाइपरपैरामीटर किसे माना जाता है?
    • यादृच्छिक बीज
    • सीखने की दर
    • डेटासेट का फ़ाइल स्वरूप
    • अनुकूलक चर का नाम
  3. हाइपरपैरामीटर ट्यूनिंग के लिए यादृच्छिक खोज अक्सर ग्रिड खोज से बेहतर प्रदर्शन क्यों करती है?
    • यह हमेशा अधिक समग्र संयोजनों का प्रयास करता है
    • इसके लिए सत्यापन सेट की आवश्यकता नहीं है
    • यह प्रत्येक ग्रिड बिंदु को विस्तृत रूप से कवर किए बिना अच्छे मान ढूंढते हुए, अंतरिक्ष का अधिक कुशलता से नमूना लेता है
    • यह एक ही समय में वज़न और हाइपरपैरामीटर सीखता है
  4. बायेसियन ऑप्टिमाइज़ेशन कैसे चुनता है कि अगला प्रयास करने के लिए कौन सा हाइपरपैरामीटर कॉन्फ़िगरेशन है?
    • यह हर बार पूरी तरह से यादृच्छिक रूप से कॉन्फ़िगरेशन चुनता है
    • यह हमेशा सबसे अधिक परतों वाला कॉन्फ़िगरेशन चुनता है
    • यह पिछले परीक्षण की सेटिंग्स को हूबहू कॉपी करता है
    • यह एक मॉडल बनाता है जिसमें सेटिंग्स आशाजनक दिखती हैं और अच्छे परिणामों के दोहन के साथ अनिश्चितता की खोज को संतुलित करती हैं
  5. हाइपरपैरामीटर ट्यूनिंग के दौरान अंतिम परीक्षण सेट अछूता क्यों रहना चाहिए?
    • क्योंकि इसके विरुद्ध ट्यून करने से जानकारी लीक हो जाएगी और वास्तविक प्रदर्शन का अतिआशावादी अनुमान मिलेगा
    • क्योंकि परीक्षण सेट का उपयोग वजन की गणना करने के लिए किया जाता है
    • क्योंकि परीक्षण सेट हमेशा सत्यापन सेट से छोटा होता है
    • क्योंकि हाइपरपैरामीटर परीक्षण सेट में संग्रहीत होते हैं
  6. हाइपरबैंड जैसी शीघ्र-रोक योजना हाइपरपैरामीटर ट्यूनिंग में किस समस्या का समाधान करती है?
    • यह सीखने की दर की आवश्यकता को दूर करता है
    • यह खराब प्रदर्शन करने वाले परीक्षणों को जल्दी ख़त्म करके और आशाजनक परीक्षणों को संसाधन देकर गणना बचाता है
    • यह गारंटी देता है कि मॉडल ओवरफिट नहीं होगा
    • यह हाइपरपैरामीटर को सीखने योग्य पैरामीटर में परिवर्तित करता है
  7. In Bayesian hyperparameter optimization, what role does the probabilistic surrogate model play?
    • It replaces training every candidate with a guaranteed exact score
    • It updates model weights during the final test
    • It estimates how promising configurations may be and guides the next trial
    • It labels the training examples
  8. Why should tuning trials be compared on a validation set rather than the final test set?
    • The test set cannot contain labels
    • The validation set is always larger
    • The model cannot predict on a test set
    • Repeated test-set feedback would leak information and make the final estimate overoptimistic