Quiz collegato alla guida · Medio Livello
Quiz sulla potatura del modello
Controlla l'eliminazione strutturata e non strutturata, i limiti del kernel sparse, il ripristino iterativo, le richieste di biglietti della lotteria e le misurazioni della distribuzione.
Domanda 1 di 8
Che cosa rimuove l'eliminazione del modello da una rete addestrata?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Che cosa rimuove l'eliminazione del modello da una rete addestrata?
- Rimuovere pesi o strutture che contribuiscono poco alla produzione
- Aggiunta di più parametri per migliorare la precisione
- Addestrare un modello per più epoche
- Aumento della risoluzione di ingresso
- Cosa distingue la potatura strutturata da quella non strutturata?
- La potatura strutturata funziona solo sulle immagini
- La potatura strutturata rimuove intere unità come neuroni o teste; non strutturato rimuove i pesi individuali
- La potatura non strutturata richiede una riqualificazione da zero
- Non c'è alcuna differenza pratica tra loro
- Perché la potatura non strutturata spesso non riesce ad accelerare un modello sull'hardware ordinario?
- Elimina troppi livelli
- Riduce sempre la precisione a zero
- Le matrici di peso sparse necessitano di hardware o librerie speciali per sfruttare gli zeri
- Aumenta il conteggio dei parametri
- Qual è la tipica ricetta di potatura iterativa?
- Elimina tutto in una volta, quindi distribuiscilo
- Prima quantizzare e poi non riqualificare mai
- Elimina casualmente i livelli fino a quando la precisione non diminuisce
- Addestra, elimina i parametri meno importanti, perfeziona per recuperare e ripeti
- Cosa sostiene l’ipotesi del biglietto della lotteria?
- Le reti dense contengono sottoreti sparse che possono corrispondere al modello completo se addestrate dalla giusta inizializzazione
- La potatura migliora sempre la precisione
- La potatura casuale è sempre la migliore
- I modelli di grandi dimensioni non possono essere compressi
- Quale semplice criterio viene comunemente utilizzato per decidere quali pesi eliminare?
- L'ordine alfabetico dei nomi dei livelli
- La grandezza assoluta dei pesi
- Il colore delle mappe di attivazione
- Il numero di esempi di formazione
- 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
- 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