Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Ciklikus tanulási arányok kvíz
Checks triangular learning-rate cycles, the range test, momentum behavior and the difference between repeated cycles and one-cycle training.
kérdés 1 -ból 8
Milyen alapvető feltevést kérdőjeleznek meg a ciklikus tanulási arányok?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen alapvető feltevést kérdőjeleznek meg a ciklikus tanulási arányok?
- Hogy a tanulási ráta csak edzés közben csökkenjen
- Ennek a tételnek állandónak kell maradnia
- Ezekhez a modellekhez GPU kell
- Ezeket az adatokat össze kell keverni
- What did Smith report for cyclical learning rates on tested classification tasks?
- They always lowered training loss to zero
- They improved accuracy versus fixed rates, often in fewer iterations
- They removed the need for validation data
- They guaranteed escape from every sharp minimum
- Mit csinál az „LR tartományteszt”?
- Méri a GPU memóriahasználatot
- Számolja a modellparaméterek számát
- Felfelé söpri a tanulási arányt, miközben figyeli a veszteséget, hogy jó határokat válasszon
- A modellt terjesztésen kívüli adatokon teszteli
- Az egyciklusos politikában általában hogyan viselkedik a lendület a tanulási arányhoz képest?
- A lendület végig rögzített marad
- A lendület egész idő alatt nullára van állítva
- A lendület pontosan az ütemnek megfelelően növekszik
- A lendület fordítottan mozog – magas, ha alacsony, és alacsony, ha magas
- During a triangular cyclical learning-rate cycle, how does the rate move between its bounds?
- It rises from the base rate to the maximum, then falls back toward the base
- It only decreases from the first step
- It stays fixed at the maximum
- It jumps randomly at every minibatch
- Ki vezette be a ciklikus tanulási arányokat és az LR tartománytesztet?
- Geoffrey Hinton
- Leslie Smith
- Yann LeCun
- Andrej Karpathy
- What sets the duration of a cyclical learning-rate cycle?
- A modellrétegek száma
- A szókincs mérete
- A chosen number of training iterations for the up-and-down pattern
- The number of optimizer parameters
- What distinguishes the one-cycle policy from repeating several triangular cycles?
- It keeps the learning rate constant throughout
- It removes the optimizer’s momentum
- It measures the learning rate only once
- It uses one long learning-rate cycle for the training run