Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący sieci resztkowych

Zapoznaj się z obliczeniami bloków resztowych, skrótami tożsamości, ścieżkami gradientów, głębią ery ImageNet i sposobem powtarzania się reszt w architekturach neuronowych.

Powiązane ścieżki prowadząceSieci resztkowe
Pytanie 1 z 8

Jaki problem konkretnie rozwiązały połączenia resztkowe?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaki problem konkretnie rozwiązały połączenia resztkowe?
    • Głębsze sieci równinne trenują gorzej niż płytsze (degradacja)
    • Obrazy mają zbyt niską rozdzielczość
    • Brak oznakowanych danych szkoleniowych
    • Zabrakło pamięci w procesorach graficznych
  2. What does a basic residual block compute when input and output dimensions match?
    • Multiplies the input by itself
    • Adds the block’s learned residual function to its input, y = F(x) + x
    • Drops the input and returns zero
    • Sorts input channels alphabetically
  3. Dlaczego pomijanie połączeń pomaga na wzniesieniach podczas treningu?
    • They eliminate the need to train weights
    • They force every layer to output zero
    • They provide an additional direct path for gradient flow around the learned transformation
    • They make deep networks immune to all optimization problems
  4. How deep was the deepest ResNet evaluated in the original ImageNet paper?
    • 18 layers
    • 34 layers
    • 50 layers
    • 152 warstwy
  5. Jeśli warstwy pozostałego bloku nauczą się F(x) = 0, co robi blok?
    • Skutecznie przekazuje dane wejściowe przez niezmienioną (tożsamość)
    • Wyprowadza zero i przerywa sieć
    • Podwaja wkład
    • Losuje dane wyjściowe
  6. What residual connection does the Transformer paper describe around attention and feed-forward sublayers?
    • Replace the sublayer input with a class label
    • Add each sublayer’s output to the sublayer input through a residual connection
    • Average every token globally at the output only
    • Remove the residual stream after self-attention
  7. When a residual block changes channel dimensions, what can a projection shortcut do?
    • Convert the input into a text sequence
    • Remove the residual branch
    • Map the shortcut input to the dimensions required for addition
    • Guarantee that every gradient has unit magnitude
  8. What sequence of convolutions defines the original ResNet bottleneck block?
    • Three 3×3 convolutions only
    • A 3×3 convolution followed by two fully connected layers
    • A pooling layer followed by two transposed convolutions
    • A 1×1, then 3×3, then 1×1 convolution