Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Szűk keresztmetszetű építészeti kvíz

Checks channel reduction, compute savings, inverted residuals, low-rank updates and the shared dimensionality constraint behind bottlenecks.

Kapcsolódó útmutató utakSzűk keresztmetszetű építészet
kérdés 1 -ból 8

Mi a szerepe egy ResNet szűk keresztmetszet blokkban az első 1x1 konvolúciónak?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a szerepe egy ResNet szűk keresztmetszet blokkban az első 1x1 konvolúciónak?
    • A csatornák számának csökkentése a 3x3 konvolúció előtt
    • A térbeli felbontás növelésére
    • A végső osztályozás alkalmazása
    • Zaj hozzáadásához a rendszerezéshez
  2. Egy szűk keresztmetszet miért teszi olcsóbbá a mélyhálózatok számítását?
    • Eltávolítja az összes aktiválást
    • Kevesebb csatornán végez költséges műveleteket
    • Mindenhol nagyobb kernelt használ
    • Kihagyja a visszaszaporítást
  3. Az autoencoderben a szűk keresztmetszet réteg elsősorban a következőket határozza meg:
    • Az optimalizáló választása
    • A képfájl formátuma
    • Mennyire van tömörítve a bemenet
    • A tétel mérete
  4. A MobileNetV2 a szűk keresztmetszet ötlet melyik változatát használja?
    • Tiszta összevonási szűk keresztmetszet
    • Visszatérő szűk keresztmetszet
    • Egyáltalán nincs szűk keresztmetszet
    • Fordított maradék szűk keresztmetszet (kibontás, majd összehúzódás)
  5. Hogyan alkalmazza a LoRA a szűk keresztmetszetek elveit a nagy nyelvi modelleknél?
    • Egy edzhető alacsony rangú (szűk) szűk keresztmetszet beillesztésével a súlyfrissítésekbe
    • A figyelemrétegek törlésével
    • Minden súly megduplázásával
    • 1 bitesre kvantálással
  6. Melyik csatornamintát követi egy tipikus ResNet szűk keresztmetszet-blokk?
    • Széles, széles, széles
    • Csökkentés, feldolgozás, visszaállítás (pl. 256-64-256)
    • Keskeny, széles, keskeny
    • Véletlenszerű rétegenként
  7. A ResNet block reduces 256 channels to 64 before its 3×3 convolution. Ignoring the 1×1 layers, what is the 3×3 layer’s approximate multiply-add cost relative to 256 channels?
    • About one-quarter
    • About one-half
    • About one-sixteenth
    • About four times as much
  8. An autoencoder uses a narrow latent code. What constraint does this impose on reconstruction?
    • The encoder must preserve every input pixel exactly
    • The network can no longer use learned weights
    • The decoder must expand the latent code before encoding
    • The decoder must reconstruct the input from a compressed representation