Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Carian Seni Bina Neural

Semak ruang carian NAS, algoritma, kos carian awal, kelonggaran DARTS, perkongsian berat dan kaveat penilaian. Semak andaian dan skop.

Laluan panduan yang berkaitanCarian Seni Bina Neural
soalan 1 daripada 8

Apakah yang diautomatikkan oleh Carian Seni Bina Neural?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah yang diautomatikkan oleh Carian Seni Bina Neural?
    • Reka bentuk struktur rangkaian saraf
    • Melabel data latihan
    • Menyejukkan pelayan GPU
    • Menulis dokumentasi untuk model
  2. Tiga komponen manakah yang menentukan kaedah NAS?
    • Set data, pengoptimum dan keciciran
    • Ruang carian, strategi carian dan anggaran prestasi
    • Pengekod, penyahkod dan perhatian
    • Set latihan, pengesahan dan ujian
  3. What accelerator scale did the original reinforcement-learning NAS paper report for its large search?
    • One GPU for every NAS method
    • A fixed cost of exactly 1,000 GPU-days for every search
    • An experiment using 800 GPUs in that study
    • No accelerator use during architecture search
  4. Apakah helah utama yang DARTS gunakan untuk menjadikan carian cekap?
    • Ia melatih pada satu contoh
    • Ia membuang semua lapisan tersembunyi
    • Ia hanya menggunakan carian rawak
    • Ia melonggarkan pilihan seni bina diskret kepada yang berterusan yang boleh dioptimumkan oleh kecerunan
  5. Apakah 'supernet' dalam NAS perkongsian berat?
    • Satu rangkaian lebih parameter yang mengandungi semua seni bina calon, yang beratnya dikongsi
    • Rangkaian dengan berbilion parameter
    • Rangkaian yang berjalan pada superkomputer sahaja
    • Salinan sandaran model
  6. What did the HURRICANE hardware-aware NAS study evaluate?
    • One architecture that is guaranteed optimal on every device
    • Tailored architectures for three hardware types under matched latency constraints
    • A language model trained without any hardware measurements
    • A method that removes latency from architecture evaluation
  7. What is one limitation of weight-sharing NAS supernets?
    • They remove all architecture choices
    • They guarantee the globally best architecture
    • The shared weights can bias architecture rankings relative to training each candidate independently
    • They do not use neural networks
  8. What does a NAS evaluation need to report for a fair comparison?
    • Only the best test score
    • The GPU brand alone
    • The model name without settings
    • Search space, compute budget, validation protocol, and final retraining setup