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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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