Kuiz berkaitan panduan · Sederhana Tahap

Lapisan Penyesuai untuk Kuiz Pemindahan

Semak cara penyesuai kesesakan mengekalkan model asas beku, dayakan tugas modular atau pemindahan domain dan bandingkan dengan LoRA.

Laluan panduan yang berkaitanLapisan Penyesuai Untuk Pemindahan
soalan 1 daripada 8

Apakah yang berlaku kepada pemberat asal yang telah dilatih apabila berlatih dengan penyesuai?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah yang berlaku kepada pemberat asal yang telah dilatih apabila berlatih dengan penyesuai?
    • Ia dibekukan manakala hanya parameter penyesuai dilatih
    • Mereka dipadamkan
    • Mereka dimulakan semula secara rawak
    • Mereka berganda dalam saiz
  2. Apakah struktur dalaman tipikal penyesuai kesesakan?
    • Satu lapisan padat yang besar
    • Unjuran ke bawah, tidak linear, kemudian unjuran atas, dengan sambungan baki
    • Hanya kepala perhatian
    • Penapis imej konvolusi
  3. Kira-kira apakah pecahan parameter yang biasanya dilatih oleh penyesuai?
    • 100%
    • Tepat 50%
    • Selalunya di bawah 5%
    • Tiada langsung
  4. Mengapa penyesuai mudah untuk melaksanakan banyak tugas?
    • Mereka memerlukan salinan model penuh yang berasingan bagi setiap tugas
    • Mereka tidak boleh digabungkan
    • Mereka memadamkan model asas selepas setiap tugasan
    • Anda menyimpan satu model asas dan menukar penyesuai kecil setiap tugas
  5. Kepunyaan keluarga teknik manakah penyesuai?
    • Penalaan halus cekap parameter (PEFT)
    • Penambahan data
    • Pemampatan imej
    • Skim tokenisasi
  6. Apakah kelebihan yang ditawarkan oleh LoRA berbanding penyesuai yang dimasukkan klasik pada masa inferens?
    • Ia tidak boleh dilatih
    • Pemberat yang dipelajari boleh digabungkan ke dalam matriks asas, mengelakkan kependaman tambahan setiap lapisan
    • Ia memerlukan latihan semula keseluruhan model
    • Ia mengalih keluar sambungan baki secara kekal
  7. What does a residual connection contribute to a classic bottleneck adapter?
    • A second full pretrained model copy for each task
    • A mandatory external retrieval database
    • A path that adds the adapter’s transformed representation back to the original hidden state
    • A guarantee that no added computation occurs
  8. What is one benefit of stacking a domain adapter with a task adapter?
    • Merge all user data into the frozen base weights automatically
    • Avoid using any adapter modules
    • Convert a language model into a vision encoder
    • Reuse a domain specialization together with a separate task specialization