Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Penyesuaian Domain

Anjakan sumber dan sasaran ujian, kecerunan domain terbalik, kekurangan label sasaran, kaedah bebas sumber dan objektif pengelas yang berasingan.

Laluan panduan yang berkaitanPenyesuaian Domain
soalan 1 daripada 8

Apakah masalah yang direka bentuk terutamanya untuk diselesaikan oleh penyesuaian domain?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah masalah yang direka bentuk terutamanya untuk diselesaikan oleh penyesuaian domain?
    • Mengurangkan bilangan parameter model
    • Mempercepatkan pendaraban matriks pada GPU
    • Penurunan prestasi apabila data ujian berbeza daripada data latihan
    • Menjana label latihan sintetik secara automatik
  2. Dalam rangkaian musuh-domain, apakah yang dicapai oleh lapisan pembalikan kecerunan?
    • Ia menolak pengekstrak ciri untuk menjadikan sumber dan sasaran tidak dapat dibezakan
    • Ia memadamkan pengelas domain semasa inferens
    • Ia menggandakan kadar pembelajaran untuk latihan yang lebih pantas
    • Ia menukarkan output regresi kepada label klasifikasi
  3. Apakah yang menjadikan penyesuaian domain 'tanpa diawasi' amat berguna?
    • Ia tidak memerlukan latihan model sama sekali
    • Ia hanya berfungsi pada data imej
    • Ia menghapuskan keperluan untuk domain sumber
    • Ia tidak memerlukan data berlabel dalam domain sasaran
  4. Senario yang manakah merupakan contoh klasik peralihan domain?
    • Model yang dilatih dan diuji pada set data yang sama
    • Pengelas tumor yang dilatih pada satu pengimbas gagal pada pengimbas yang berbeza
    • Model yang berjalan lebih cepat selepas kuantisasi
    • Rangkaian dengan lebih banyak lapisan daripada rangkaian lain
  5. Apakah kaedah penyesuaian domain 'bebas sumber' yang direka untuk dielakkan?
    • Mengakses data latihan sumber asal semasa penyesuaian
    • Menggunakan mana-mana seni bina rangkaian saraf
    • Menghasilkan sebarang ramalan keluaran
    • Berjalan pada GPU moden
  6. A team starts adaptation from a broadly pretrained model. What should it still measure?
    • Only the parameter count
    • Only source training accuracy
    • Performance on the actual target data and task
    • Whether target evaluation can be skipped
  7. Which DANN head supplies the objective to distinguish source examples from target examples?
    • The task label vocabulary
    • The domain classifier
    • The optimizer checkpoint file
    • A fixed output embedding dimension
  8. Does gradient reversal mean changing a positive class label into a negative class label?
    • Yes; every task label is negated
    • Yes; all target samples are relabeled as source
    • No; it freezes every feature weight
    • No; it reverses the domain gradient into the feature extractor