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.
- 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
- 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
- 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
- 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
- Melyik jól ismert architektúra népszerűsítette a mélységben szétválasztható konvolúciókat a mobil eszközök számára?
- MobileNet
- ResNet
- AlexNet
- LSTM
- 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
- 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
- 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