Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Neurális architektúra keresési kvíz

Review NAS search spaces, algorithms, early search cost, DARTS relaxation, weight sharing, and evaluation caveats. Check assumptions and scope.

Kapcsolódó útmutató utakNeurális architektúra keresése
kérdés 1 -ból 8

Mit automatizál a Neural Architecture Search?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit automatizál a Neural Architecture Search?
    • A neurális hálózat szerkezetének tervezése
    • Edzésadatok címkézése
    • A GPU szerverek hűtése
    • Dokumentáció írása modellekhez
  2. Melyik három összetevő határozza meg a NAS metódust?
    • Adatkészlet, optimalizáló és lemorzsolódás
    • Keresési terület, keresési stratégia és teljesítménybecslés
    • Kódoló, dekódoló és figyelem
    • Képzési, érvényesítési és tesztkészletek
  3. What accelerator scale did the original reinforcement-learning NAS paper report for its large search?
    • One GPU for every NAS method
    • A fixed cost of exactly 1,000 GPU-days for every search
    • An experiment using 800 GPUs in that study
    • No accelerator use during architecture search
  4. Milyen kulcsfontosságú trükköt használ a DARTS a keresés hatékonyságának növelésére?
    • Egyetlen példán oktat
    • Eltávolítja az összes rejtett réteget
    • Csak véletlenszerű keresést használ
    • A diszkrét architektúra-választásokat a színátmenetekkel optimalizálható folyamatossá teszi
  5. Mit jelent a „szupernet” a súlymegosztó NAS-ban?
    • Egy túlparaméterezett hálózat, amely tartalmazza az összes lehetséges architektúrát, amelyek súlya megosztott
    • Egy hálózat több milliárd paraméterrel
    • Csak szuperszámítógépeken futó hálózat
    • A modell biztonsági másolata
  6. What did the HURRICANE hardware-aware NAS study evaluate?
    • One architecture that is guaranteed optimal on every device
    • Tailored architectures for three hardware types under matched latency constraints
    • A language model trained without any hardware measurements
    • A method that removes latency from architecture evaluation
  7. What is one limitation of weight-sharing NAS supernets?
    • They remove all architecture choices
    • They guarantee the globally best architecture
    • The shared weights can bias architecture rankings relative to training each candidate independently
    • They do not use neural networks
  8. What does a NAS evaluation need to report for a fair comparison?
    • Only the best test score
    • The GPU brand alone
    • The model name without settings
    • Search space, compute budget, validation protocol, and final retraining setup