Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Konvolusi Boleh Asing Depthwise Separable

Gunakan pemisahan mendalam dan arah mata, bandingkan kos lilitan, kira contoh kecil dan kenali reka bentuk model mudah alih yang cekap.

Laluan panduan yang berkaitanKonvolusi Boleh Dipisahkan Secara Dalam
soalan 1 daripada 8

Apakah dua langkah yang boleh dipisahkan secara mendalam oleh lilitan piawai?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah dua langkah yang boleh dipisahkan secara mendalam oleh lilitan piawai?
    • Langkah pengumpulan diikuti dengan langkah normalisasi
    • Dua lilitan 3x3 bertindan dengan ReLU di antaranya
    • Penapis spatial dalam setiap saluran, kemudian campuran saluran 1x1 mengikut arah
    • Konvolusi pengekod dan penyahkodan penyahkod
  2. Dalam langkah mendalam, bagaimana saluran input dirawat?
    • Setiap saluran ditapis secara bebas dengan kernelnya sendiri
    • Semua saluran dijumlahkan dahulu
    • Saluran dikocok secara rawak sebelum ditapis
    • Hanya saluran pertama yang berbelit
  3. For many output channels, what operation-count reduction does the guide associate with a 3×3 depthwise separable convolution?
    • Lebih kurang 2 kali ganda
    • Lebih kurang 100 kali ganda
    • Ia menggunakan lebih banyak pengiraan, bukan kurang
    • Lebih kurang 8 hingga 9 kali ganda
  4. Apakah peranan lilitan arah mata (1x1) dalam reka bentuk ini?
    • Untuk mengurangkan sampel resolusi spatial
    • Untuk menggabungkan maklumat merentas saluran di setiap lokasi
    • Untuk menambah pengekodan kedudukan
    • Untuk menghapuskan syarat berat sebelah
  5. Seni bina terkenal manakah yang mempopularkan konvolusi boleh dipisahkan secara mendalam untuk peranti mudah alih?
    • MobileNet
    • ResNet
    • AlexNet
    • LSTM
  6. An implementation applies only the depthwise spatial filters and omits the pointwise layer. Which capability is missing from that block?
    • Spatial filtering within each channel
    • Separate kernels for the input channels
    • Learned combination of information across channels
    • Local spatial feature extraction
  7. Using the guide’s formulas with M = 4 input channels and N = 16 outputs, how many multiply-adds per location do standard and separable 3×3 convolutions require?
    • Standard 100; separable 576
    • Standard 576; separable 100
    • Standard 576; separable 36
    • Standard 64; separable 100
  8. In the guide’s cost ratio 1/N + 1/9 for a 3×3 separable convolution, what happens as the output-channel count N becomes very large?
    • The ratio approaches 9
    • The ratio approaches zero
    • The ratio becomes independent of kernel size for every kernel
    • The ratio approaches 1/9