ガイド連動クイズ · 中 レベル

体重減少と L2 正則化に関するクイズ

トレーニングで L2 ペナルティ、ゼロへの縮小、SGD 等価性、AdamW デカップリング、適応スケーリング、および減衰強度をテストします。

関連するガイドパス体重減少と L2 正則化
質問 1 の 8

L2 正則化は損失関数に何を追加しますか?

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. L2 正則化は損失関数に何を追加しますか?
    • ネットワーク内の層の数
    • 学習率に対するペナルティ
    • トレーニング例の数
    • 重みの二乗の合計に比例するペナルティ
  2. 体重減少が予防に役立つ主な問題は何ですか?
    • データの読み込みが遅い
    • 過学習。モデルがトレーニング データ内のノイズを記憶します。
    • ハードウェア障害
    • 間違ったラベル
  3. 重みの減衰はモデルの重みをどの方向に押しますか?
    • 無限に向かって
    • 最大重量を目指して
    • ゼロに向かって
    • ランダムな値に向けて
  4. AdamW が導入された理由は何ですか?
    • 重みの減衰を適応勾配更新から切り離し、減衰が正しく動作するようにするため
    • グラデーションを完全に削除するには
    • トレーニングを意図的に遅くするため
    • 学習率の必要性を排除するには
  5. 単純な確率的勾配降下法の場合、L2 正則化と重み減衰はどのように関係しますか?
    • 彼らはいつも正反対だ
    • それらは数学的に同等です
    • ウェイト減衰によりグラデーションが無効になります
    • L2 は勢いのある SGD に対してのみ機能します
  6. L2 正則化におけるラムダ係数は何を制御しますか?
    • バッチサイズ
    • エポック数
    • 活性化関数
    • 大きなウェイトに対するペナルティの強さ
  7. Why can adding an L2 term to Adam’s loss differ from applying decoupled weight decay?
    • Adaptive per-parameter gradient scaling can distort the coupled penalty
    • Adam cannot train with any regularization
    • The two methods use different training labels
    • Decoupled decay removes the data loss
  8. In a simple decoupled update, what changes the fractional shrinkage of a weight?
    • Only the number of classes
    • Only the model’s input dimension
    • The learning rate and decay coefficient together
    • Only the validation-set size