Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Sztochasztikus gradiens süllyedés lendületes kvízzel
Test accumulated velocity, oscillation damping, coefficient effects, consistent gradients, Adam connection, and zero-momentum behavior.
kérdés 1 -ból 8
Mi halmozódik fel a lendületi idő edzés közben?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi halmozódik fel a lendületi idő edzés közben?
- A képzési időszakok teljes száma
- A múltbeli gradiensek futó (exponenciálisan súlyozott) átlaga
- Az adatkészlet mérete
- A modell pontossági története
- Egy hosszú, keskeny szakadékban milyen problémát szenved a sima SGD, amelyet a lendület segít megoldani?
- Számszerűen túlcsordul
- Leállítja a gradiensek számítását
- Automatikusan növeli a tanulási sebességet
- Cikcakkban cikázik a meredek falakon, miközben lassan halad a padlón
- Az impulzus együttható általános alapértelmezett értéke:
- 0.9
- 0.0
- 0.5
- 2.0
- Melyik fizikai analógiát használják leggyakrabban a lendület leírására?
- Egy örökké lengő inga
- Egy rugó visszapattan
- Egy nehéz labda gurul lefelé
- Víz fagyása
- Körülbelül mennyivel erősíti fel a lendület az effektív lépést egy következetes irányba, ha béta = 0,9?
- Körülbelül 2 alkalommal
- Körülbelül 0,1-szer
- Nincs erősítés
- Körülbelül 10 alkalommal
- Melyik modern optimalizáló tartalmaz egy lendület-stílusú első pillanatra vonatkozó becslést?
- Newton módszere
- Ádám
- K- jelenti
- Véletlenszerű keresés
- In the update v = beta times v plus gradient, what happens when beta is zero?
- The old velocity is doubled
- Every gradient becomes zero
- The previous velocity is discarded and the current gradient determines the step
- The parameters stop depending on the learning rate
- Why can repeated gradients with opposing sideways directions produce less zig-zagging under momentum?
- Their opposing contributions can partially cancel in accumulated velocity
- All past gradients are stored as separate parameters
- The loss becomes convex automatically
- Momentum ignores the current gradient entirely