신경 아키텍처 검색 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 신경망 아키텍처 검색은 무엇을 자동화합니까?
   • 신경망 구조의 설계
   • 훈련 데이터 라벨링
   • GPU 서버 냉각
   • 모델에 대한 문서 작성
2. NAS 방법을 정의하는 세 가지 구성 요소는 무엇입니까?
   • 데이터세트, 옵티마이저, 드롭아웃
   • 검색 공간, 검색 전략 및 성능 예측
   • 인코더, 디코더, 어텐션
   • 훈련, 검증, 테스트 세트
3. 원본 강화 학습 NAS 논문에서는 대규모 검색에 대해 어떤 가속기 규모를 보고했습니까?
   • One GPU for every NAS method
   • A fixed cost of exactly 1,000 GPU-days for every search
   • An experiment using 800 GPUs in that study
   • No accelerator use during architecture search
4. DARTS는 효율적인 검색을 위해 어떤 핵심 기술을 사용합니까?
   • 단일 예제를 학습합니다.
   • 숨겨진 레이어를 모두 제거합니다.
   • 무작위 검색만 사용합니다.
   • 개별 아키텍처 선택을 그라데이션으로 최적화할 수 있는 연속 아키텍처로 완화합니다.
5. 중량 공유 NAS의 '슈퍼넷'이란 무엇입니까?
   • 가중치가 공유되는 모든 후보 아키텍처를 포함하는 하나의 과도하게 매개변수화된 네트워크
   • 수십억 개의 매개변수가 있는 네트워크
   • 슈퍼컴퓨터에서만 실행되는 네트워크
   • 모델의 백업 사본
6. What did the HURRICANE hardware-aware NAS study evaluate?
   • One architecture that is guaranteed optimal on every device
   • Tailored architectures for three hardware types under matched latency constraints
   • A language model trained without any hardware measurements
   • A method that removes latency from architecture evaluation
7. What is one limitation of weight-sharing NAS supernets?
   • They remove all architecture choices
   • They guarantee the globally best architecture
   • The shared weights can bias architecture rankings relative to training each candidate independently
   • They do not use neural networks
8. What does a NAS evaluation need to report for a fair comparison?
   • Only the best test score
   • The GPU brand alone
   • The model name without settings
   • Search space, compute budget, validation protocol, and final retraining setup