Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Modellmetszési kvíz

Checks structured and unstructured pruning, sparse-kernel limits, iterative recovery, lottery-ticket claims, and deployment measurements.

Kapcsolódó útmutató utakModellmetszés
kérdés 1 -ból 8

Mit távolít el a modellmetszés a betanított hálózatból?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit távolít el a modellmetszés a betanított hálózatból?
    • Olyan súlyok vagy szerkezetek eltávolítása, amelyek kis mértékben járulnak hozzá a kimenethez
    • További paraméterek hozzáadása a pontosság javítása érdekében
    • Modell képzése több korszakhoz
    • A bemeneti felbontás növelése
  2. Mi különbözteti meg a strukturált metszést a strukturálatlan metszéstől?
    • A strukturált metszés csak képeken működik
    • A strukturált metszés egész egységeket, például neuronokat vagy fejeket távolít el; strukturálatlan eltávolítja az egyéni súlyokat
    • A strukturálatlan metszés a semmiből való átképzést igényel
    • Gyakorlati különbség nincs köztük
  3. A strukturálatlan metszés miért nem gyorsítja fel gyakran a modellt a hagyományos hardveren?
    • Túl sok réteget töröl
    • Mindig nullára csökkenti a pontosságot
    • A ritka súlyú mátrixoknak speciális hardverre vagy könyvtárakra van szükségük a nullák kihasználásához
    • Növeli a paraméterek számát
  4. Mi a tipikus iteratív metszésrecept?
    • Vágjon le mindent egyszerre, majd helyezze üzembe
    • Először kvantifikáld, aztán soha ne képezd újra
    • Véletlenszerűen törölje a rétegeket, amíg a pontosság csökken
    • Tanítsd, vágd le a legkevésbé fontos paramétereket, finomhangold a helyreállításhoz, és ismételd meg
  5. Mit állít a sorsjegy-hipotézis?
    • A sűrű hálózatok ritka alhálózatokat tartalmaznak, amelyek megfelelnek a teljes modellnek, ha a megfelelő inicializálásból tanítják
    • A metszés mindig javítja a pontosságot
    • Mindig a véletlenszerű metszés a legjobb
    • A nagy modellek nem tömöríthetők
  6. Milyen egyszerű kritériumot használnak általában annak eldöntésére, hogy melyik súlyt kell metszeni?
    • A rétegnevek ábécé sorrendje
    • A súlyok abszolút nagysága
    • Az aktiválási térképek színe
    • A képzési példák száma
  7. When is pruning most likely to reduce inference latency on ordinary dense hardware?
    • When individual zeros are added but the dense kernel still computes them
    • When the model is renamed without changing its graph
    • When whole channels or other structures are removed to produce a smaller dense model
    • When a sparse checkpoint is stored in a larger file
  8. What should a team measure after pruning for a deployment target?
    • Only the number of zeros in a checkpoint
    • Only training accuracy before pruning
    • Whether the file extension changed
    • Task quality and latency or memory on the intended hardware