초매개변수 조정 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 하이퍼파라미터와 일반 모델 매개변수의 차이점은 무엇인가요?
   • 하이퍼파라미터는 훈련 전에 설정되며 데이터에서 직접 학습되지 않습니다.
   • 하이퍼파라미터는 훈련 중 경사하강법을 통해 자동으로 학습됩니다.
   • 초매개변수는 선형 모델에만 존재합니다.
   • 그들 사이에는 실질적인 차이가 없습니다.
2. 딥 러닝을 조정하는 데 가장 영향력 있는 단일 하이퍼파라미터로 일반적으로 간주되는 것은 무엇입니까?
   • 무작위 시드
   • 학습률
   • 데이터 세트의 파일 형식
   • 최적화 변수의 이름
3. 하이퍼파라미터 튜닝에서 무작위 검색이 그리드 검색보다 성능이 뛰어난 이유는 무엇입니까?
   • 항상 더 많은 총 조합을 시도합니다.
   • 검증 세트가 필요하지 않습니다.
   • 공간을 보다 효율적으로 샘플링하여 모든 그리드 포인트를 철저하게 포함하지 않고도 좋은 값을 찾습니다.
   • 가중치와 하이퍼파라미터를 동시에 학습합니다.
4. 베이지안 최적화는 다음에 시도할 하이퍼파라미터 구성을 어떻게 선택합니까?
   • 매번 완전히 무작위로 구성을 선택합니다.
   • 항상 레이어가 가장 많은 구성을 선택합니다.
   • 이전 평가판의 설정을 정확하게 복사합니다.
   • 이는 유망해 보이는 설정에 대한 모델을 구축하고 불확실성 탐색과 좋은 결과 활용의 균형을 유지합니다.
5. 하이퍼파라미터 튜닝 중에 최종 테스트 세트를 그대로 유지해야 하는 이유는 무엇입니까?
   • 이에 맞춰 조정하면 정보가 유출되고 실제 성능에 대해 지나치게 낙관적인 추정치가 제공되기 때문입니다.
   • 테스트 세트는 가중치를 계산하는 데 사용되기 때문에
   • 테스트 세트는 항상 검증 세트보다 작기 때문에
   • 하이퍼파라미터는 테스트 세트에 저장되기 때문에
6. Hyperband와 같은 조기 중지 방식은 하이퍼파라미터 튜닝에서 어떤 문제를 해결합니까?
   • 학습률이 필요하지 않습니다.
   • 실적이 저조한 실험을 조기에 중단하고 유망한 실험에 리소스를 제공하여 컴퓨팅을 절약합니다.
   • 모델이 과적합되지 않음을 보장합니다.
   • 하이퍼파라미터를 학습 가능한 매개변수로 변환합니다.
7. In Bayesian hyperparameter optimization, what role does the probabilistic surrogate model play?
   • It replaces training every candidate with a guaranteed exact score
   • It updates model weights during the final test
   • It estimates how promising configurations may be and guides the next trial
   • It labels the training examples
8. Why should tuning trials be compared on a validation set rather than the final test set?
   • The test set cannot contain labels
   • The validation set is always larger
   • The model cannot predict on a test set
   • Repeated test-set feedback would leak information and make the final estimate overoptimistic