Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Penjadualan Kadar Pembelajaran

Menyemak jadual pemanasan, kosinus dan langkah, mulakan semula tingkah laku, ketidakstabilan awal dan resipi latihan pemanasan kemudian pereputan biasa.

Laluan panduan yang berkaitanPenjadualan Kadar Pembelajaran
soalan 1 daripada 8

Apakah tujuan fasa 'pemanasan' dalam jadual kadar pembelajaran?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah tujuan fasa 'pemanasan' dalam jadual kadar pembelajaran?
    • Untuk bermula dengan kadar yang kecil dan naikkan, mengelakkan ketidakstabilan daripada kecerunan awal yang bising
    • Untuk membuat ketepatan akhir lebih rendah
    • Untuk melangkau beberapa kelompok pertama data
    • Untuk membekukan semua pemberat pada permulaan
  2. Jadual yang manakah dengan lancar mengikut lengkung separuh kosinus ke bawah ke arah kadar minimum?
    • Jadual tetap
    • Penyepuhlindapan kosinus
    • Jadual rawak
    • Peningkatan linear
  3. Apakah yang berlaku jika kadar pembelajaran ditetapkan terlalu tinggi?
    • Latihan menumpu serta-merta dengan ketepatan yang sempurna
    • Model berlatih lebih perlahan tetapi sentiasa berjaya
    • Kerugian boleh menyimpang atau berayun dan bukannya berkurangan
    • Tiada apa-apa perubahan; kadar itu tiada kesan
  4. Apakah kesan pereputan langkah kepada kadar pembelajaran?
    • Meningkatkannya secara linear setiap kelompok
    • Mengekalkannya dengan sempurna
    • Tetapkan secara rawak setiap langkah
    • Menggugurkannya dengan faktor tetap pada zaman yang telah ditetapkan
  5. What does a warm restart do to a learning-rate schedule?
    • It raises the learning rate again to begin another schedule cycle
    • It resets the model parameters to random values
    • It permanently fixes the learning rate at zero
    • It deletes the optimizer’s moment estimates
  6. In Goyal et al.’s large-minibatch ImageNet setup, what did their warmup scheme address?
    • It removed the need for a validation set
    • It eased early optimization difficulties after the learning-rate scale increased with batch size
    • It changed the model architecture after each epoch
    • It converted the learning-rate curve into a cosine wave
  7. In the cosine formula, what does T denote?
    • The number of model layers
    • Saiz batch
    • The schedule horizon or total number of steps used for the decay
    • The optimizer’s momentum coefficient
  8. If the cosine schedule uses lr_min greater than zero, where does the rate approach at the end of the horizon?
    • Exactly zero regardless of lr_min
    • The original warmup starting rate
    • An unbounded value
    • The specified minimum learning rate