मॉडल प्रूनिंग प्रश्नोत्तरी

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

1. What does model pruning remove from a trained network?
   • उन वज़न या संरचनाओं को हटाना जो आउटपुट में बहुत कम योगदान देते हैं
   • सटीकता में सुधार के लिए अधिक पैरामीटर जोड़ना
   • अधिक युगों के लिए एक मॉडल का प्रशिक्षण
   • इनपुट रिज़ॉल्यूशन बढ़ाना
2. संरचित छंटाई को असंरचित छंटाई से क्या अलग करता है?
   • संरचित प्रूनिंग केवल छवियों पर काम करती है
   • संरचित छंटाई न्यूरॉन्स या सिर जैसी पूरी इकाइयों को हटा देती है; असंरचित व्यक्तिगत भार हटा देता है
   • असंरचित छंटाई के लिए नए सिरे से प्रशिक्षण की आवश्यकता होती है
   • उनके बीच कोई व्यावहारिक अंतर नहीं है
3. असंरचित प्रूनिंग अक्सर सामान्य हार्डवेयर पर मॉडल को गति देने में विफल क्यों होती है?
   • यह बहुत सारी परतें हटा देता है
   • यह सटीकता को हमेशा शून्य कर देता है
   • विरल भार वाले मैट्रिक्स को शून्य का दोहन करने के लिए विशेष हार्डवेयर या लाइब्रेरी की आवश्यकता होती है
   • यह पैरामीटर गिनती बढ़ाता है
4. विशिष्ट पुनरावृत्तीय छंटाई विधि क्या है?
   • सब कुछ एक ही बार में काट-छाँट करें, फिर तैनात करें
   • पहले मात्रा निर्धारित करें, फिर दोबारा प्रशिक्षण न लें
   • सटीकता कम होने तक परतों को बेतरतीब ढंग से हटाएं
   • प्रशिक्षित करें, कम-से-कम महत्वपूर्ण मापदंडों की काट-छाँट करें, ठीक होने के लिए ठीक-ठाक ट्यून करें और दोहराएँ
5. लॉटरी टिकट परिकल्पना क्या दावा करती है?
   • सघन नेटवर्क में विरल उपनेटवर्क होते हैं जो सही आरंभीकरण से प्रशिक्षित होने पर पूर्ण मॉडल से मेल खा सकते हैं
   • प्रूनिंग से हमेशा सटीकता में सुधार होता है
   • यादृच्छिक छंटाई हमेशा सर्वोत्तम होती है
   • बड़े मॉडलों को संपीड़ित नहीं किया जा सकता
6. किस सरल मानदंड का उपयोग आमतौर पर यह तय करने के लिए किया जाता है कि किस वजन की छंटाई करनी है?
   • परत नामों का वर्णमाला क्रम
   • वज़न का पूर्ण परिमाण
   • सक्रियण मानचित्रों का रंग
   • प्रशिक्षण उदाहरणों की संख्या
7. When is pruning most likely to reduce inference latency on ordinary dense hardware?
   • When individual zeros are added but the dense kernel still computes them
   • When the model is renamed without changing its graph
   • When whole channels or other structures are removed to produce a smaller dense model
   • When a sparse checkpoint is stored in a larger file
8. What should a team measure after pruning for a deployment target?
   • Only the number of zeros in a checkpoint
   • Only training accuracy before pruning
   • Whether the file extension changed
   • Task quality and latency or memory on the intended hardware