ガイド連動クイズ · 中 レベル

ニューラル アーキテクチャ検索クイズ

NAS 検索スペース、アルゴリズム、早期検索コスト、DARTS 緩和、重み共有、評価上の注意事項を確認します。前提条件と範囲を確認します。

関連するガイドパスニューラル アーキテクチャの検索
質問 1 の 8

Neural Architecture Search は何を自動化しますか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. Neural Architecture Search は何を自動化しますか?
    • ニューラルネットワークの構造の設計
    • トレーニングデータのラベル付け
    • GPUサーバーの冷却
    • モデルのドキュメントを書く
  2. NAS メソッドを定義する 3 つのコンポーネントはどれですか?
    • データセット、オプティマイザー、ドロップアウト
    • 検索スペース、検索戦略、およびパフォーマンスの推定
    • エンコーダー、デコーダー、そしてアテンション
    • トレーニング、検証、テスト セット
  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. DARTS は検索を効率化するためにどのような重要なトリックを使用していますか?
    • 単一の例でトレーニングします
    • すべての非表示レイヤーを削除します
    • ランダム検索のみを使用します
    • 離散的なアーキテクチャの選択を、勾配によって最適化できる連続的なものに緩和します。
  5. ウェイトシェアリング NAS の「スーパーネット」とは何ですか?
    • すべての候補アーキテクチャを含み、重みが共有される 1 つの過剰パラメータ化されたネットワーク
    • 数十億のパラメータを持つネットワーク
    • スーパーコンピュータのみで動作するネットワーク
    • モデルのバックアップコピー
  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