Quiz collegato alla guida · Medio Livello
Quiz sulle architetture dei colli di bottiglia
Controlla la riduzione del canale, i risparmi di calcolo, i residui invertiti, gli aggiornamenti di basso rango e il vincolo di dimensionalità condivisa dietro i colli di bottiglia.
Domanda 1 di 8
In un blocco con collo di bottiglia ResNet, qual è il ruolo della prima convoluzione 1x1?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- In un blocco con collo di bottiglia ResNet, qual è il ruolo della prima convoluzione 1x1?
- Per ridurre il numero di canali prima della convoluzione 3x3
- Per aumentare la risoluzione spaziale
- Per applicare la classifica finale
- Aggiungere rumore per la regolarizzazione
- Perché un collo di bottiglia rende le reti profonde più economiche da elaborare?
- Rimuove tutte le attivazioni
- Esegue operazioni costose su un minor numero di canali
- Utilizza kernel più grandi ovunque
- Salta la propagazione all'indietro
- In un autoencoder, il livello del collo di bottiglia determina principalmente:
- La scelta dell'ottimizzatore
- Il formato del file immagine
- Quanto viene compresso l'input
- La dimensione del lotto
- MobileNetV2 utilizza quale variante dell'idea del collo di bottiglia?
- Puro collo di bottiglia del pooling
- Collo di bottiglia ricorrente
- Nessun collo di bottiglia
- Collo di bottiglia residuo invertito (espandere e poi contrarre)
- In che modo LoRA applica i principi dei colli di bottiglia a modelli linguistici di grandi dimensioni?
- Inserendo un collo di bottiglia addestrabile di basso rango (stretto) negli aggiornamenti del peso
- Eliminando i livelli di attenzione
- Raddoppiando tutti i pesi
- Quantizzando a 1 bit
- Quale modello di canale segue un tipico blocco del collo di bottiglia ResNet?
- Largo, largo, largo
- Riduci, elabora, ripristina (ad esempio, da 256 a 64 a 256)
- Stretto, largo, stretto
- Casuale per strato
- A ResNet block reduces 256 channels to 64 before its 3×3 convolution. Ignoring the 1×1 layers, what is the 3×3 layer’s approximate multiply-add cost relative to 256 channels?
- About one-quarter
- About one-half
- About one-sixteenth
- About four times as much
- An autoencoder uses a narrow latent code. What constraint does this impose on reconstruction?
- The encoder must preserve every input pixel exactly
- The network can no longer use learned weights
- The decoder must expand the latent code before encoding
- The decoder must reconstruct the input from a compressed representation