Quiz collegato alla guida · Medio Livello
Quiz sull'apprendimento del trasferimento
Testa il riutilizzo dei parametri preaddestrati, le funzionalità fisse, le velocità di regolazione fine, la somiglianza delle attività, le differenze di dominio, le funzionalità del livello immagine, la norma batch e la compilazione.
Domanda 1 di 8
Which learned starting point can transfer learning reuse for a target task?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Which learned starting point can transfer learning reuse for a target task?
- Solo il nome file del set di dati di origine
- Un requisito per cancellare tutti i parametri appresi
- Una garanzia che le etichette di output originali siano le nuove etichette
- Parametri o rappresentazioni preaddestrati
- Nell'apprendimento del trasferimento in stile "estrazione di funzionalità", in genere:
- Blocca la maggior parte dei livelli e addestra solo un nuovo livello di output
- Riqualificare l'intera rete a un tasso di apprendimento elevato
- Butta via i pesi preallenati
- Non utilizzare alcuna rete neurale
- Why does the illustrated fine-tuning workflow recommend a small learning rate for pretrained weights?
- Per rendere i pesi preaddestrati matematicamente incapaci di cambiare
- Per garantire che ogni esempio target sia memorizzato
- Per limitare cambiamenti dirompenti alla rappresentazione esistente
- Per sostituire la necessità di una perdita target
- Which target setup can make fixed feature extraction worth comparing with other adaptation strategies?
- Un compito definito solo da nomi file di output non correlati
- Dati di destinazione limitati con un compito correlato al compito di origine
- Un requisito per scartare ogni rappresentazione preaddestrata
- Una garanzia che il compito di origine e il compito di destinazione debbano avere etichette identiche
- Quale preoccupazione sorge quando la distribuzione di input target differisce dalla distribuzione di preaddestramento sorgente?
- La rappresentazione riutilizzata può adattarsi male al compito di destinazione
- Il modello necessariamente smette di contenere parametri
- Tutti gli esempi di destinazione diventano esempi di addestramento di origine
- Ogni punteggio di valutazione deve migliorare
- Cosa ha distinto lo studio citato sul trasferimento di reti di immagini riguardo alle caratteristiche tra i vari strati?
- Ogni caratteristica precoce si trasferisce perfettamente a qualsiasi compito possibile
- Gli strati successivi contengono solo numeri casuali inutilizzati
- Tutti gli strati della rete necessariamente codificano caratteristiche identiche
- Le caratteristiche precedenti erano spesso più generali e quelle successive più specializzate al compito di origine nella sua configurazione
- Nel workflow documentato di fine-tuning di Keras, perché mantenere gli strati BatchNormalization del modello di base in modalità inferenza?
- Per fare in modo che tutti i pesi preaddestrati vengano aggiornati alla stessa velocità
- Per evitare di disturbare le loro statistiche di media mobile e varianza memorizzate
- Sostituire l'output head del compito di destinazione
- Forzare nuove statistiche di movimento da ogni batch di destinazione indipendentemente dal flusso di lavoro
- Dopo aver modificato le impostazioni trainable del layer nel flusso di lavoro Keras indicato, cosa rinfresca la configurazione di addestramento compilata?
- Cambiare solo un nome di file di output
- Reimpostare tutti i parametri pre-addestrati a valori casuali
- Ricompilare il modello
- Mantenere la vecchia configurazione compilata senza modifiche