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.
kérdés 1 -ból 8
Mit automatizál a Neural Architecture Search?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit automatizál a Neural Architecture Search?
- A neurális hálózat szerkezetének tervezése
- Edzésadatok címkézése
- A GPU szerverek hűtése
- Dokumentáció írása modellekhez
- 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
- 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
- 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
- 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
- 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
- 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
- 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