ガイド連動クイズ · 中 レベル

勢いのある確率的勾配降下法クイズ

累積速度、振動減衰、係数効果、一貫した勾配、アダム接続、およびゼロ運動量の動作をテストします。

関連するガイドパス勢いのある確率的勾配降下法
質問 1 の 8

トレーニング中に運動量項は何を蓄積しますか?

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. トレーニング中に運動量項は何を蓄積しますか?
    • トレーニング エポックの合計数
    • 過去の勾配の移動 (指数加重) 平均
    • データセットのサイズ
    • モデルの精度履歴
  2. 長くて狭い峡谷の中で、普通の SGD が苦しんでいる問題のうち、勢いがあれば解決できるものは何でしょうか?
    • 数値的にはオーバーフローしてしまう
    • 勾配の計算を停止します
    • 学習率が自動的に向上します
    • 切り立った壁をジグザグに進みながら、床に沿ってゆっくりと進みます
  3. 運動量係数の一般的なデフォルト値は次のとおりです。
    • 0.9
    • 0.0
    • 0.5
    • 2.0
  4. 運動量を説明するために最もよく使用される物理的な例えはどれですか?
    • 永遠に揺れる振り子
    • バネが元に戻る
    • 重いボールが下り坂を転がる
    • 水の凍結
  5. ベータ = 0.9 の場合、運動量は一貫した方向の効果的なステップをおよそどのくらい増幅しますか?
    • 約2回
    • 約0.1倍
    • 増幅なし
    • 10回くらい
  6. モメンタム スタイルの最初の瞬間推定を組み込んでいる最新のオプティマイザーはどれですか?
    • ニュートン法
    • アダム
    • K 平均法
    • ランダム検索
  7. 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
  8. 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