병목 현상 아키텍처 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. ResNet 병목 블록에서 첫 번째 1x1 컨볼루션의 역할은 무엇입니까?
   • 3x3 컨볼루션 이전의 채널 수를 줄이려면
   • 공간 해상도를 높이려면
   • 최종 분류를 적용하려면
   • 정규화를 위해 노이즈를 추가하려면
2. 병목 현상으로 인해 심층 네트워크의 계산 비용이 더 저렴해지는 이유는 무엇입니까?
   • 모든 활성화를 제거합니다.
   • 더 적은 수의 채널에서 값비싼 작업을 수행합니다.
   • 어디에서나 더 큰 커널을 사용합니다.
   • 역전파를 건너뜁니다.
3. 오토인코더에서 병목 현상 계층은 주로 다음을 결정합니다.
   • 옵티마이저 선택
   • 이미지 파일 형식
   • 입력이 얼마나 압축되었는지
   • 배치 크기
4. MobileNetV2는 병목 현상 아이디어의 어떤 변형을 사용합니까?
   • 순수 풀링 병목 현상
   • 반복되는 병목 현상
   • 병목현상이 전혀 없습니다
   • 반전된 잔여 병목 현상(확장 후 축소)
5. LoRA는 병목 현상 원리를 대규모 언어 모델에 어떻게 적용합니까?
   • 훈련 가능한 낮은 순위(좁은) 병목 현상을 가중치 업데이트에 삽입하여
   • 주의 레이어를 삭제하여
   • 모든 가중치를 두 배로 늘려서
   • 1비트로 양자화함으로써
6. 일반적인 ResNet 병목 현상 블록은 어떤 채널 패턴을 따르나요?
   • 넓어, 넓어, 넓어
   • 축소, 처리, 복원(예: 256에서 64로, 256으로)
   • 좁다, 넓다, 좁다
   • 레이어당 무작위
7. A ResNet block reduces 256 channels to 64 before its 3×3 convolution. Ignoring the 1×1 layers, what is the 3×3 layer’s approximate multiply-add cost relative to 256 channels?
   • About one-quarter
   • About one-half
   • About one-sixteenth
   • About four times as much
8. An autoencoder uses a narrow latent code. What constraint does this impose on reconstruction?
   • The encoder must preserve every input pixel exactly
   • The network can no longer use learned weights
   • The decoder must expand the latent code before encoding
   • The decoder must reconstruct the input from a compressed representation