ガイド連動クイズ · 中 レベル
残留ネットワークに関するクイズ
残差ブロックの計算、恒等ショートカット、勾配パス、ImageNet 時代の深度、およびニューラル アーキテクチャで残差がどのように繰り返されるかを確認します。
質問 1 の 8
残留接続は具体的にどのような問題を解決しましたか?
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。
- 残留接続は具体的にどのような問題を解決しましたか?
- より深いプレーン ネットワークのトレーニングは浅いネットワークよりも劣ります (劣化)
- 画像の解像度が低すぎる
- ラベル付きトレーニング データの不足
- GPU のメモリが不足している
- What does a basic residual block compute when input and output dimensions match?
- Multiplies the input by itself
- Adds the block’s learned residual function to its input, y = F(x) + x
- Drops the input and returns zero
- Sorts input channels alphabetically
- スキップ接続がトレーニング中の勾配に役立つのはなぜですか?
- They eliminate the need to train weights
- They force every layer to output zero
- They provide an additional direct path for gradient flow around the learned transformation
- They make deep networks immune to all optimization problems
- How deep was the deepest ResNet evaluated in the original ImageNet paper?
- 18 layers
- 34 layers
- 50 layers
- 152層
- 残差ブロックの層が F(x) = 0 を学習した場合、ブロックは何をしますか?
- 入力を変更せずに効果的に渡します (アイデンティティ)
- ゼロを出力し、ネットワークを切断します。
- 入力が2倍になります
- 出力をランダム化します
- What residual connection does the Transformer paper describe around attention and feed-forward sublayers?
- Replace the sublayer input with a class label
- Add each sublayer’s output to the sublayer input through a residual connection
- Average every token globally at the output only
- Remove the residual stream after self-attention
- When a residual block changes channel dimensions, what can a projection shortcut do?
- Convert the input into a text sequence
- Remove the residual branch
- Map the shortcut input to the dimensions required for addition
- Guarantee that every gradient has unit magnitude
- What sequence of convolutions defines the original ResNet bottleneck block?
- Three 3×3 convolutions only
- A 3×3 convolution followed by two fully connected layers
- A pooling layer followed by two transposed convolutions
- A 1×1, then 3×3, then 1×1 convolution