Gids-gekoppelde quiz · Middelmatig Niveau
Knelpuntarchitecturen Quiz
Controleert kanaalreductie, rekenbesparingen, omgekeerde residuen, updates van lage rang en de gedeelde dimensionaliteitsbeperking achter knelpunten.
Vraag 1 van 8
Wat is de rol van de eerste 1x1-convolutie in een ResNet-knelpuntblok?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is de rol van de eerste 1x1-convolutie in een ResNet-knelpuntblok?
- Om het aantal kanalen vóór de 3x3-convolutie te verminderen
- Om de ruimtelijke resolutie te vergroten
- Om de eindclassificatie toe te passen
- Om ruis toe te voegen voor regularisatie
- Waarom maakt een knelpunt diepe netwerken goedkoper om te berekenen?
- Het verwijdert alle activeringen
- Het voert dure handelingen uit op minder kanalen
- Het gebruikt overal grotere kernels
- Het slaat backpropagation over
- In een autoencoder bepaalt de bottlenecklaag voornamelijk:
- De keuze van de optimalisatie
- Het afbeeldingsbestandsformaat
- Hoeveel de invoer is gecomprimeerd
- De batchgrootte
- MobileNetV2 gebruikt welke variant van het knelpuntidee?
- Puur knelpunt bij het bundelen
- Terugkerend knelpunt
- Er is helemaal geen knelpunt
- Omgekeerd restknelpunt (uitbreiden en vervolgens inkrimpen)
- Hoe past LoRA knelpuntprincipes toe op grote taalmodellen?
- Door een trainbaar laag (small) knelpunt in gewichtsupdates in te voegen
- Door aandachtslagen te verwijderen
- Door alle gewichten te verdubbelen
- Door te kwantiseren tot 1 bit
- Welk kanaalpatroon volgt een typisch ResNet-knelpuntblok?
- Breed, breed, breed
- Reduceren, verwerken, herstellen (bijvoorbeeld 256 tot 64 tot 256)
- Smal, breed, smal
- Willekeurig per laag
- A ResNet block reduces 256 channels to 64 before its 3×3 convolution. Ignoring the 1×1 layers, what is the 3×3 layer’s approximate multiply-add cost relative to 256 channels?
- About one-quarter
- About one-half
- About one-sixteenth
- About four times as much
- An autoencoder uses a narrow latent code. What constraint does this impose on reconstruction?
- The encoder must preserve every input pixel exactly
- The network can no longer use learned weights
- The decoder must expand the latent code before encoding
- The decoder must reconstruct the input from a compressed representation