Útmutatóhoz kapcsolódó kvíz · Könnyű Szint
Korai megállás kvíz
Covers validation monitoring, patience and checkpoint recovery, and when early stopping may regularize training without guaranteeing lower test error.
kérdés 1 -ból 8
Milyen jelet figyel a korai leállás elsősorban, hogy eldöntse, mikor kell megállni?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen jelet figyel a korai leállás elsősorban, hogy eldöntse, mikor kell megállni?
- Validation-set teljesítmény
- Edzés-készlet veszteség
- GPU hőmérséklet
- Modellparaméterek száma
- Mit vezérel a „türelem” paraméter?
- A maximális tanulási sebesség
- Hány korszakot kell várni javulás nélkül, mielőtt abbahagyná
- A tétel mérete
- Az érvényesítési hajtások száma
- A kiváltó okok korai leállítása után milyen súlyokat érdemes általában tartani?
- A súlyok a végső korszakból
- A véletlenszerűen inicializált súlyok
- A súlyok a legjobb érvényesítési korszakból
- Az összes korszak átlaga
- Why can early stopping act as a form of regularization?
- It adds a fixed L2 penalty to every weight
- It guarantees lower test error on every dataset
- It prevents the model from seeing training examples
- It limits how long optimization proceeds and can reduce fitting to training-specific patterns
- Az edzés közbeni érvényesítési-hiba görbe tipikus alakja leginkább a következőképpen írható le:
- Egy U-alak, amely leesik, majd felemelkedik
- Monoton csökkenő
- Lapos vonal
- Monoton növekvő
- Mit ad meg általában a „min_delta” küszöbérték?
- A rétegek minimális száma
- A minimális fejlesztés, ami előrelépésnek számít
- A minimális tételméret
- Az adatkészlet minimális mérete
- What does patience allow an early-stopping rule to do?
- Continue training forever regardless of validation results
- Change the model architecture after every batch
- Wait through a set number of validation checks without qualifying improvement before stopping
- Use the test set to select the final epoch
- Why should the test set generally remain outside the early-stopping loop?
- The test set cannot contain labels
- Training libraries cannot load test data
- Early stopping requires the test set to be empty
- Repeatedly selecting by test performance would make it part of model selection