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.

Percorsi guida correlatiPotatura del modello
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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