Kuis Pemangkasan Model

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. What does model pruning remove from a trained network?
   • Menghapus beban atau struktur yang memberikan kontribusi kecil terhadap output
   • Menambahkan lebih banyak parameter untuk meningkatkan akurasi
   • Melatih model untuk lebih banyak zaman
   • Meningkatkan resolusi masukan
2. Apa yang membedakan pemangkasan terstruktur dengan pemangkasan tidak terstruktur?
   • Pemangkasan terstruktur hanya berfungsi pada gambar
   • Pemangkasan terstruktur menghilangkan seluruh unit seperti neuron atau kepala; tidak terstruktur menghilangkan bobot individu
   • Pemangkasan tidak terstruktur memerlukan pelatihan ulang dari awal
   • Tidak ada perbedaan praktis di antara keduanya
3. Mengapa pemangkasan tidak terstruktur sering kali gagal mempercepat model pada perangkat keras biasa?
   • Ini menghapus terlalu banyak lapisan
   • Itu selalu mengurangi akurasi menjadi nol
   • Matriks berbobot renggang memerlukan perangkat keras atau pustaka khusus untuk mengeksploitasi angka nol
   • Ini meningkatkan jumlah parameter
4. Apa resep pemangkasan berulang yang khas?
   • Pangkas semuanya sekaligus, lalu terapkan
   • Hitung terlebih dahulu, lalu jangan pernah berlatih kembali
   • Hapus lapisan secara acak hingga akurasi menurun
   • Latih, pangkas parameter yang paling tidak penting, sempurnakan untuk memulihkan, dan ulangi
5. Apa yang diklaim oleh Hipotesis Tiket Lotere?
   • Jaringan padat berisi subjaringan renggang yang dapat mencocokkan model lengkap jika dilatih dari inisialisasi yang tepat
   • Pemangkasan selalu meningkatkan akurasi
   • Pemangkasan acak selalu yang terbaik
   • Model besar tidak dapat dikompresi
6. Kriteria sederhana manakah yang biasa digunakan untuk menentukan bobot mana yang akan dipangkas?
   • Urutan nama lapisan berdasarkan abjad
   • Besaran mutlak dari bobot
   • Warna peta aktivasi
   • Jumlah contoh pelatihan
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