Quiz collegato alla guida · Medio Livello
Discesa gradiente stocastica con Momentum Quiz
Testare la velocità accumulata, lo smorzamento delle oscillazioni, gli effetti dei coefficienti, i gradienti coerenti, la connessione Adam e il comportamento a momento zero.
Domanda 1 di 8
Cosa si accumula durante l’allenamento?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa si accumula durante l’allenamento?
- Il numero totale di epoche di allenamento
- Una media corrente (ponderata in modo esponenziale) dei gradienti passati
- La dimensione del set di dati
- La cronologia dell'accuratezza del modello
- In un burrone lungo e stretto, quale problema soffre il semplice SGD che lo slancio aiuta a risolvere?
- Trabocca numericamente
- Smette di calcolare i gradienti
- Aumenta automaticamente il tasso di apprendimento
- Zigzaga sulle pareti ripide mentre avanza lentamente lungo il pavimento
- Un valore predefinito comune per il coefficiente di quantità di moto è:
- 0.9
- 0,0
- 0,5
- 2.0
- Quale analogia fisica viene utilizzata più spesso per descrivere la quantità di moto?
- Un pendolo che oscilla per sempre
- Una primavera che ritorna
- Una palla pesante che rotola in discesa
- Congelamento dell'acqua
- All'incirca quanto lo slancio amplifica il passo effettivo in una direzione coerente quando beta = 0,9?
- Circa 2 volte
- Circa 0,1 volte
- Nessuna amplificazione
- Circa 10 volte
- Quale ottimizzatore moderno incorpora una stima del primo momento in stile momentum?
- Il metodo di Newton
- Adamo
- K-significa
- Ricerca casuale
- In the update v = beta times v plus gradient, what happens when beta is zero?
- The old velocity is doubled
- Every gradient becomes zero
- The previous velocity is discarded and the current gradient determines the step
- The parameters stop depending on the learning rate
- Why can repeated gradients with opposing sideways directions produce less zig-zagging under momentum?
- Their opposing contributions can partially cancel in accumulated velocity
- All past gradients are stored as separate parameters
- The loss becomes convex automatically
- Momentum ignores the current gradient entirely