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.

Percorsi guida correlatiRicerca sull'architettura neurale
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.

  1. 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
  2. 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
  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. 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
  5. 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
  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