Gids-gekoppelde quiz · Gemakkelijk Niveau

Vroege stopquiz

Omvat validatiemonitoring, geduld en checkpointherstel, en bij vroegtijdig stoppen kan de training worden geregulariseerd zonder een lagere testfout te garanderen.

Gerelateerde gidspadenVroeg stoppen
Vraag 1 van 8

Welk signaal wordt bij vroegtijdig stoppen vooral gevolgd om te beslissen wanneer er moet worden gestopt?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Welk signaal wordt bij vroegtijdig stoppen vooral gevolgd om te beslissen wanneer er moet worden gestopt?
    • Validatie-set prestaties
    • Verlies van trainingsset
    • GPU-temperatuur
    • Aantal modelparameters
  2. Wat regelt de parameter 'geduld'?
    • Het maximale leerpercentage
    • Hoeveel tijdperken moeten we wachten zonder verbetering voordat we stoppen?
    • De batchgrootte
    • Het aantal validatievouwen
  3. Welke gewichten moet u normaal gesproken behouden na het vroegtijdig stoppen van triggers?
    • De gewichten uit het laatste tijdperk
    • De willekeurig geïnitialiseerde gewichten
    • De gewichten uit het beste validatietijdperk
    • Het gemiddelde van alle tijdperken
  4. Waarom kan vroegtijdig stoppen een vorm van regularisatie zijn?
    • It adds a fixed L2 penalty to every weight
    • It guarantees lower test error on every dataset
    • It prevents the model from seeing training examples
    • It limits how long optimization proceeds and can reduce fitting to training-specific patterns
  5. De typische vorm van de validatie-foutcurve tijdens training kan het beste worden omschreven als:
    • Een U-vorm die valt en vervolgens stijgt
    • Monotoon afnemend
    • Een platte lijn
    • Monotoon stijgend
  6. Wat specificeert de 'min_delta'-drempel doorgaans?
    • Het minimale aantal lagen
    • De minimale verbetering die telt als vooruitgang
    • De minimale batchgrootte
    • De minimale gegevenssetgrootte
  7. What does patience allow an early-stopping rule to do?
    • Continue training forever regardless of validation results
    • Change the model architecture after every batch
    • Wait through a set number of validation checks without qualifying improvement before stopping
    • Use the test set to select the final epoch
  8. Why should the test set generally remain outside the early-stopping loop?
    • The test set cannot contain labels
    • Training libraries cannot load test data
    • Early stopping requires the test set to be empty
    • Repeatedly selecting by test performance would make it part of model selection