Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Kemény paramétermegosztás a Multi-Task Networks kvízben

Megosztott törzseket, feladatfejeket, lágy megosztási kontrasztokat, veszteségsúlyozást, gradiens versenyt és feladatspecifikus értékelést tesztel.

kérdés 1 -ból 8

Mit jelent a kemény paramétermegosztás?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit jelent a kemény paramétermegosztás?
    • Minden feladatnak külön teljes hálózata van hasonlósági büntetéssel
    • A feladatok megosztanak címkéket, de nem modellparamétereket
    • Egy kimeneti fej minden feladatot előre jelez feladatazonosító nélkül
    • A feladatoknak közös rejtett törzsük van, és feladatspecifikus kimeneti fejeket használnak
  2. Miben különbözik a kemény megosztás a puha paramétermegosztástól?
    • A puha megosztás különálló feladatparamétereket tart fenn, és arra ösztönzi őket, hogy hasonlóak maradjanak
    • A lágy megosztás mindig egy megosztott törzset használ
    • A kemény megosztás nem tárol paramétereket
    • A két kifejezés ugyanazt az architektúrát jelenti
  3. Miért csökkentheti a kemény megosztás a kapcsolódó feladatokra való túlillesztést?
    • Minden feladat több független paramétert kap
    • A megosztott rétegek olyan funkciókat tanulnak meg, amelyeknek több feladatot is ki kell szolgálniuk
    • A modell elkerüli a képzési adatokat
    • Minden feladatnak azonos kimeneti címkéket kell használnia
  4. Hogyan kombinálják általában a feladatkieséseket a közös edzéseknél?
    • Egy feladat kiválasztásával, a többi figyelmen kívül hagyásával
    • A feladatok címkéinek átlagolásával
    • Súlyozott összegként egy közös célban
    • Csak a legkisebb veszteség felhasználásával
  5. Mi történhet, ha egy feladat elvesztése vagy színátmenetei dominálnak?
    • Minden feladatfej eltűnik
    • A feladatok önállóvá válnak
    • A modell automatikusan kiegyenlíti az összes gradienst
    • Előfordulhat, hogy a megosztott fővonal prioritást élvez, miközben más feladatok alulkiszolgáltak
  6. Mikor a legalkalmasabb a kemény paraméterek megosztása?
    • Amikor a feladatok profitálhatnak a hasznos megosztott reprezentációkból
    • Amikor minden feladat független és összeegyeztethetetlen
    • Amikor egy feladat soha nem befolyásolhatja a másikat
    • Amikor csak egy feladat van
  7. Mit csinál általában egy feladatspecifikus fej?
    • Az összes képzési példát tárolja
    • Megosztott funkciókat rendel hozzá a feladat kimenetéhez
    • Kiegyensúlyozza az összes többi feladat színátmeneteit
    • Kiválasztja, hogy tokenenként melyik rejtett törzset használja
  8. Mire kell figyelni a többfeladatos modell betanítása során?
    • Csak az összes paraméter számít
    • Csak a legnagyobb feladat pontossága
    • Feladatonkénti teljesítmény és az, hogy a megosztott frissítések segítik-e vagy károsítják-e az egyes feladatokat
    • Csak a kimeneti fejek száma