Kuis terkait panduan · Sedang Tingkat

Kuis Pencarian Arsitektur Neural

Tinjau ruang pencarian NAS, algoritme, biaya pencarian awal, relaksasi DARTS, pembagian bobot, dan peringatan evaluasi. Periksa asumsi dan ruang lingkup.

Jalur panduan terkaitPencarian Arsitektur Neural
Pertanyaan 1 dari 8

Apa yang diotomatisasi oleh Penelusuran Arsitektur Neural?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang diotomatisasi oleh Penelusuran Arsitektur Neural?
    • Desain struktur jaringan saraf
    • Memberi label pada data pelatihan
    • Mendinginkan server GPU
    • Menulis dokumentasi untuk model
  2. Tiga komponen manakah yang menentukan metode NAS?
    • Kumpulan data, pengoptimal, dan putus sekolah
    • Ruang pencarian, strategi pencarian, dan estimasi kinerja
    • Encoder, decoder, dan perhatian
    • Pelatihan, validasi, dan set pengujian
  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. Trik utama apa yang digunakan DARTS untuk membuat pencarian menjadi efisien?
    • Ini melatih dengan satu contoh
    • Ini menghapus semua lapisan tersembunyi
    • Ini hanya menggunakan pencarian acak
    • Ini melonggarkan pilihan arsitektur terpisah menjadi pilihan berkelanjutan yang dapat dioptimalkan oleh gradien
  5. Apa yang dimaksud dengan 'supernet' dalam NAS pembagian beban?
    • Satu jaringan dengan parameter berlebih yang berisi semua kandidat arsitektur, yang bobotnya dibagikan
    • Jaringan dengan miliaran parameter
    • Jaringan yang berjalan hanya pada superkomputer
    • Salinan cadangan model
  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