Gids-gekoppelde quiz · Middelmatig Niveau

Stochastische gradiëntafdaling met momentumquiz

Test de geaccumuleerde snelheid, trillingsdemping, coëfficiënteffecten, consistente gradiënten, Adam-verbinding en nul-momentumgedrag.

Vraag 1 van 8

Wat accumuleert de momentumterm tijdens de training?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat accumuleert de momentumterm tijdens de training?
    • Het totale aantal trainingsepochs
    • Een lopend (exponentieel gewogen) gemiddelde van eerdere hellingen
    • De grootte van de gegevensset
    • De nauwkeurigheidsgeschiedenis van het model
  2. Welk probleem heeft gewone SGD in een lang, smal ravijn dat het momentum helpt oplossen?
    • Het loopt numeriek over
    • Het stopt met het berekenen van gradiënten
    • Het verhoogt automatisch de leersnelheid
    • Hij zigzagt over de steile wanden en beweegt langzaam over de vloer
  3. Een gebruikelijke standaardwaarde voor de momentumcoëfficiënt is:
    • 0,9
    • 0,0
    • 0,5
    • 2.0
  4. Welke fysieke analogie wordt het vaakst gebruikt om momentum te beschrijven?
    • Een slinger die voor altijd slingert
    • Een veer die terugkaatst
    • Een zware bal rolt bergafwaarts
    • Water bevriezen
  5. Hoeveel versterkt momentum grofweg de effectieve stap in een consistente richting wanneer bèta = 0,9?
    • Ongeveer 2 keer
    • Ongeveer 0,1 keer
    • Geen versterking
    • Ongeveer 10 keer
  6. Welke moderne optimizer maakt gebruik van een momentum-achtige eerste-moment-schatting?
    • Newtons methode
    • Adam
    • K-betekent
    • Willekeurig zoeken
  7. In the update v = beta times v plus gradient, what happens when beta is zero?
    • The old velocity is doubled
    • Every gradient becomes zero
    • The previous velocity is discarded and the current gradient determines the step
    • The parameters stop depending on the learning rate
  8. Why can repeated gradients with opposing sideways directions produce less zig-zagging under momentum?
    • Their opposing contributions can partially cancel in accumulated velocity
    • All past gradients are stored as separate parameters
    • The loss becomes convex automatically
    • Momentum ignores the current gradient entirely