Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Mélyen szétválasztható konvolúciók kvíz

Apply the depthwise and pointwise split, compare convolution costs, calculate a small example, and recognize efficient mobile-model design.

kérdés 1 -ból 8

Mi az a két lépés, amelyre a mélységben szétválasztható konvolúció felosztja a standard konvolúciót?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi az a két lépés, amelyre a mélységben szétválasztható konvolúció felosztja a standard konvolúciót?
    • Egy összevonási lépés, amelyet egy normalizálási lépés követ
    • Két egymásra helyezett 3x3-as konvolúció, köztük egy ReLU
    • Csatornánként mélységi térszűrő, majd 1x1 pontszerű csatornakeverés
    • Egy kódoló konvolúció és egy dekóder dekonvolúció
  2. A mélységi lépésben hogyan kezelik a bemeneti csatornákat?
    • Minden csatornát egymástól függetlenül szűrnek a saját kernellel
    • Az összes csatorna először összeadódik
    • A csatornák véletlenszerűen megkeverednek a szűrés előtt
    • Csak az első csatorna van összevonva
  3. For many output channels, what operation-count reduction does the guide associate with a 3×3 depthwise separable convolution?
    • Körülbelül 2-szer kevesebb
    • Körülbelül 100-szor kevesebb
    • Több számítást igényel, nem kevesebbet
    • Körülbelül 8-9-szer kevesebb
  4. Mi a szerepe a pontszerű (1x1) konvolúciónak ebben a tervezésben?
    • A térbeli felbontás mintavételezése
    • A csatornák közötti információk egyesítése minden helyen
    • Helyzetkódolások hozzáadásához
    • Az elfogultsági feltételek eltávolítása
  5. Melyik jól ismert architektúra népszerűsítette a mélységben szétválasztható konvolúciókat a mobil eszközök számára?
    • MobileNet
    • ResNet
    • AlexNet
    • LSTM
  6. An implementation applies only the depthwise spatial filters and omits the pointwise layer. Which capability is missing from that block?
    • Spatial filtering within each channel
    • Separate kernels for the input channels
    • Learned combination of information across channels
    • Local spatial feature extraction
  7. Using the guide’s formulas with M = 4 input channels and N = 16 outputs, how many multiply-adds per location do standard and separable 3×3 convolutions require?
    • Standard 100; separable 576
    • Standard 576; separable 100
    • Standard 576; separable 36
    • Standard 64; separable 100
  8. In the guide’s cost ratio 1/N + 1/9 for a 3×3 separable convolution, what happens as the output-channel count N becomes very large?
    • The ratio approaches 9
    • The ratio approaches zero
    • The ratio becomes independent of kernel size for every kernel
    • The ratio approaches 1/9