Quiz collegato alla guida · Medio Livello
Quiz di ricerca sull'architettura neurale
Esaminare gli spazi di ricerca NAS, gli algoritmi, i costi di ricerca anticipata, il rilassamento DARTS, la condivisione del peso e gli avvertimenti sulla valutazione. Verificare le ipotesi e l'ambito.
Domanda 1 di 8
Cosa automatizza la ricerca dell'architettura neurale?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa automatizza la ricerca dell'architettura neurale?
- Il progetto della struttura della rete neurale
- Etichettatura dei dati di addestramento
- Raffreddamento dei server GPU
- Scrivere documentazione per i modelli
- Quali tre componenti definiscono un metodo NAS?
- Set di dati, ottimizzatore e abbandono
- Spazio di ricerca, strategia di ricerca e stima delle prestazioni
- Codificatore, decodificatore e attenzione
- Formazione, convalida e set di test
- 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
- Quale trucco chiave utilizza DARTS per rendere efficiente la ricerca?
- Si allena su un singolo esempio
- Rimuove tutti i livelli nascosti
- Utilizza solo la ricerca casuale
- Rilassa le scelte architettoniche discrete in scelte continue ottimizzabili tramite gradienti
- Cos'è una "supernet" nei NAS con condivisione del peso?
- Una rete sovraparametrizzata contenente tutte le architetture candidate, i cui pesi sono condivisi
- Una rete con miliardi di parametri
- Una rete che funziona solo su supercomputer
- Una copia di backup del modello
- 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
- 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
- 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