Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Gradiens Descent Quiz
Review plain gradient-descent direction, learning-rate steps, sampled gradients, momentum, Adam adaptation, numerical updates, and stationary-point limits.
kérdés 1 -ból 8
In plain gradient descent, which direction is used relative to the objective's gradient?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- In plain gradient descent, which direction is used relative to the objective's gradient?
- The negative-gradient direction
- The positive-gradient direction
- An arbitrary perpendicular direction by definition
- A direction chosen without evaluating any gradient
- Mit szabályoz a tanulási sebesség?
- A modellben lévő rétegek száma
- Hány osztályt tud előre jelezni a modell
- Az optimalizálás során megtett egyes lépések mérete
- A felhasznált edzésadatok mennyisége
- How does a mini-batch gradient relate to the full selected training-data objective?
- It uses no examples
- It is computed on the batch and used as an estimate of the full-data gradient
- It must equal the full-data gradient on every step
- It only exists for images
- Milyen problémát okozhat a túl nagy tanulási sebesség?
- Az edzés rendkívül lassú, de stabil lesz
- A modell figyelmen kívül hagyja a gradienst
- Az adatkészlet megsérül
- A modell túllépi a minimumot, és eltérhet
- What information does momentum carry into later gradient-descent updates?
- Only the model's vocabulary size
- A permanent deletion of all earlier gradients
- A running weighted combination of earlier gradients
- An unrelated random reset of every weight
- Mi az Adam optimalizáló legfontosabb jellemzője a sima gradiens süllyedéshez képest?
- Minden paraméterhez igazítja az effektív tanulási sebességet
- Minden paraméterhez egyetlen rögzített lépést használ
- Nem igényel színátmeneteket
- Csak a kimeneti réteget képezi
- For plain gradient descent with old weight two, gradient three, and learning rate one-tenth, what is the new weight?
- Two-point-three
- One-point-nine-seven
- Három
- One-point-seven
- What does a zero gradient fail to prove for a nonconvex training objective?
- That the gradient value is zero at the evaluated point
- That the current point is a global minimum
- That the objective has been evaluated locally
- That a stationary-point condition holds