Kuis Kecepatan Pembelajaran Siklus

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Asumsi inti apa yang ditantang oleh tingkat pembelajaran siklis?
   • Bahwa kecepatan pembelajaran hanya akan menurun selama pelatihan
   • Ukuran batch tersebut harus tetap konstan
   • Model itu membutuhkan GPU
   • Data itu harus diacak
2. What did Smith report for cyclical learning rates on tested classification tasks?
   • They always lowered training loss to zero
   • They improved accuracy versus fixed rates, often in fewer iterations
   • They removed the need for validation data
   • They guaranteed escape from every sharp minimum
3. Apa yang dilakukan 'uji jangkauan LR'?
   • Mengukur penggunaan memori GPU
   • Menghitung jumlah parameter model
   • Tingkatkan kecepatan pemelajaran sambil mengamati kekalahan untuk memilih batasan yang baik
   • Menguji model pada data di luar distribusi
4. Dalam kebijakan satu siklus, bagaimana perilaku momentum relatif terhadap kecepatan pemelajaran?
   • Momentum tetap tetap sepanjang waktu
   • Momentum disetel ke nol sepanjang waktu
   • Momentum meningkat persis seiring dengan lajunya
   • Momentum bergerak berbanding terbalik — tinggi saat kurs rendah dan rendah saat kurs tinggi
5. During a triangular cyclical learning-rate cycle, how does the rate move between its bounds?
   • It rises from the base rate to the maximum, then falls back toward the base
   • It only decreases from the first step
   • It stays fixed at the maximum
   • It jumps randomly at every minibatch
6. Siapa yang memperkenalkan kecepatan pembelajaran siklis dan uji rentang LR?
   • Geoffrey Hinton
   • Leslie Smith
   • Yann LeCun
   • Andrej Karpati
7. What sets the duration of a cyclical learning-rate cycle?
   • The number of model layers
   • Ukuran kosakata
   • A chosen number of training iterations for the up-and-down pattern
   • The number of optimizer parameters
8. What distinguishes the one-cycle policy from repeating several triangular cycles?
   • It keeps the learning rate constant throughout
   • It removes the optimizer’s momentum
   • It measures the learning rate only once
   • It uses one long learning-rate cycle for the training run