Kuiz Pemangkasan Model

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. What does model pruning remove from a trained network?
   • Mengeluarkan pemberat atau struktur yang menyumbang sedikit kepada output
   • Menambah lebih banyak parameter untuk meningkatkan ketepatan
   • Melatih model untuk lebih banyak zaman
   • Meningkatkan resolusi input
2. Apakah yang membezakan pemangkasan berstruktur daripada pemangkasan tidak berstruktur?
   • Pemangkasan berstruktur hanya berfungsi pada imej
   • Pemangkasan berstruktur membuang keseluruhan unit seperti neuron atau kepala; tidak berstruktur menghilangkan berat individu
   • Pemangkasan tidak berstruktur memerlukan latihan semula dari awal
   • Tidak ada perbezaan praktikal antara mereka
3. Mengapakah pemangkasan tidak berstruktur sering gagal mempercepatkan model pada perkakasan biasa?
   • Ia memadam terlalu banyak lapisan
   • Ia sentiasa mengurangkan ketepatan kepada sifar
   • Matriks berat jarang memerlukan perkakasan atau perpustakaan khas untuk mengeksploitasi sifar
   • Ia meningkatkan kiraan parameter
4. Apakah resipi pemangkasan berulang yang biasa?
   • Pangkas semuanya sekaligus, kemudian gunakan
   • Kuantiti dahulu, kemudian jangan sekali-kali melatih semula
   • Padamkan lapisan secara rawak sehingga ketepatan menurun
   • Latih, pangkas parameter paling tidak penting, perhalusi untuk pulih, dan ulangi
5. Apakah yang didakwa oleh Hipotesis Tiket Loteri?
   • Rangkaian padat mengandungi subrangkaian jarang yang boleh memadankan model penuh apabila dilatih daripada pemulaan yang betul
   • Pemangkasan sentiasa meningkatkan ketepatan
   • Pemangkasan rawak sentiasa terbaik
   • Model besar tidak boleh dimampatkan
6. Kriteria mudah manakah yang biasa digunakan untuk memutuskan pemberat mana yang hendak dipangkas?
   • Susunan abjad nama lapisan
   • Magnitud mutlak pemberat
   • Warna peta pengaktifan
   • Bilangan contoh latihan
7. When is pruning most likely to reduce inference latency on ordinary dense hardware?
   • When individual zeros are added but the dense kernel still computes them
   • When the model is renamed without changing its graph
   • When whole channels or other structures are removed to produce a smaller dense model
   • When a sparse checkpoint is stored in a larger file
8. What should a team measure after pruning for a deployment target?
   • Only the number of zeros in a checkpoint
   • Only training accuracy before pruning
   • Whether the file extension changed
   • Task quality and latency or memory on the intended hardware