Gids-gekoppelde quiz · Middelmatig Niveau

Knelpuntarchitecturen Quiz

Controleert kanaalreductie, rekenbesparingen, omgekeerde residuen, updates van lage rang en de gedeelde dimensionaliteitsbeperking achter knelpunten.

Gerelateerde gidspadenKnelpuntarchitecturen
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.

  1. 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
  2. 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
  3. In een autoencoder bepaalt de bottlenecklaag voornamelijk:
    • De keuze van de optimalisatie
    • Het afbeeldingsbestandsformaat
    • Hoeveel de invoer is gecomprimeerd
    • De batchgrootte
  4. 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)
  5. 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
  6. 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
  7. 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
  8. 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