Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Domain-adaptációs kvíz
Test source and target shifts, reversed domain gradients, target-label scarcity, source-free methods, and separate classifier objectives.
kérdés 1 -ból 8
Milyen probléma megoldására hivatott elsősorban a domain adaptáció?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen probléma megoldására hivatott elsősorban a domain adaptáció?
- A modellparaméterek számának csökkentése
- A mátrixszorzás felgyorsítása a GPU-kon
- Teljesítménycsökkenés, ha a tesztadatok eltérnek az edzési adatoktól
- Szintetikus edzéscímkék automatikus generálása
- Mit ér el a színátmenet megfordító rétege egy tartomány-ellenálló hálózatban?
- Megnyomja a funkciókivonót, hogy a forrás és a cél megkülönböztethetetlen legyen
- A következtetés során törli a tartományosztályozót
- Megduplázza a tanulási sebességet a gyorsabb edzés érdekében
- A regressziós kimeneteket osztályozási címkékké alakítja
- Mi teszi különösen hasznossá a „felügyelet nélküli” tartomány-adaptációt?
- Egyáltalán nem igényel modellképzést
- Csak képadatokon működik
- Kiküszöböli a forrástartomány szükségességét
- Nincs szüksége címkézett adatokra a céltartományban
- Melyik forgatókönyv a tartományváltás klasszikus példája?
- Pontosan ugyanazon az adatkészleten betanított és tesztelt modell
- Az egyik szkennerre kiképzett daganatosztályozó meghibásodik egy másik szkenneren
- Olyan modell, amely kvantálás után gyorsabban fut
- Több rétegű hálózat, mint egy másik hálózat
- Mi az a „forrásmentes” tartomány-adaptációs módszer, amelyet az elkerülésére terveztek?
- Az eredeti forrásból származó képzési adatok elérése az adaptáció során
- Bármilyen neurális hálózati architektúra használata
- Bármilyen kimeneti előrejelzés létrehozása
- Modern GPU-kon fut
- A team starts adaptation from a broadly pretrained model. What should it still measure?
- Only the parameter count
- Only source training accuracy
- Performance on the actual target data and task
- Whether target evaluation can be skipped
- Which DANN head supplies the objective to distinguish source examples from target examples?
- The task label vocabulary
- The domain classifier
- The optimizer checkpoint file
- A fixed output embedding dimension
- Does gradient reversal mean changing a positive class label into a negative class label?
- Yes; every task label is negated
- Yes; all target samples are relabeled as source
- No; it freezes every feature weight
- No; it reverses the domain gradient into the feature extractor