Quiz połączony z przewodnikiem · Średni Poziom
Quiz dotyczący cyklicznego uczenia się
Sprawdza trójkątne cykle szybkości uczenia się, test zasięgu, zachowanie pędu i różnicę pomiędzy powtarzanymi cyklami a treningiem jednocyklowym.
Pytanie 1 z 8
Jakie podstawowe założenia podważają cykliczne wskaźniki uczenia się?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Jakie podstawowe założenia podważają cykliczne wskaźniki uczenia się?
- Że tempo uczenia się powinno się zmniejszać jedynie podczas szkolenia
- Wielkość partii musi pozostać stała
- Te modele wymagają procesorów graficznych
- Te dane trzeba przetasować
- What did Smith report for cyclical learning rates on tested classification tasks?
- They always lowered training loss to zero
- They improved accuracy versus fixed rates, often in fewer iterations
- They removed the need for validation data
- They guaranteed escape from every sharp minimum
- Do czego służy „test zasięgu LR”?
- Mierzy wykorzystanie pamięci GPU
- Zlicza liczbę parametrów modelu
- Zwiększa tempo uczenia się, obserwując stratę, aby wybrać dobre granice
- Testuje model na danych spoza dystrybucji
- Jak w polityce jednego cyklu zazwyczaj zachowuje się dynamika w stosunku do szybkości uczenia się?
- Tempo pozostaje stałe przez cały czas
- Pęd jest przez cały czas ustawiony na zero
- Pęd wzrasta dokładnie wraz z tempem
- Pęd zmienia się odwrotnie – wysoki, gdy kurs jest niski, i niski, gdy kurs jest wysoki
- During a triangular cyclical learning-rate cycle, how does the rate move between its bounds?
- It rises from the base rate to the maximum, then falls back toward the base
- It only decreases from the first step
- It stays fixed at the maximum
- It jumps randomly at every minibatch
- Kto wprowadził cykliczne współczynniki uczenia się i test zasięgu LR?
- Geoffreya Hintona
- Lesliego Smitha
- Yanna LeCuna
- Andrzej Karpaty
- What sets the duration of a cyclical learning-rate cycle?
- The number of model layers
- Rozmiar słownictwa
- A chosen number of training iterations for the up-and-down pattern
- The number of optimizer parameters
- What distinguishes the one-cycle policy from repeating several triangular cycles?
- It keeps the learning rate constant throughout
- It removes the optimizer’s momentum
- It measures the learning rate only once
- It uses one long learning-rate cycle for the training run