Questionário vinculado ao guia · Médio Nível

Questionário de pesquisa de arquitetura neural

Revise os espaços de pesquisa NAS, algoritmos, custo de pesquisa inicial, relaxamento DARTS, compartilhamento de peso e advertências de avaliação. Verifique as suposições e o escopo.

Caminhos de guia relacionadosPesquisa de arquitetura neural
Pergunta 1 de 8

O que a Pesquisa de Arquitetura Neural automatiza?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. O que a Pesquisa de Arquitetura Neural automatiza?
    • O design da estrutura da rede neural
    • Rotulagem de dados de treinamento
    • Resfriando os servidores GPU
    • Escrevendo documentação para modelos
  2. Quais são os três componentes que definem um método NAS?
    • Conjunto de dados, otimizador e abandono
    • Espaço de pesquisa, estratégia de pesquisa e estimativa de desempenho
    • Codificador, decodificador e atenção
    • Conjuntos de treinamento, validação e teste
  3. What accelerator scale did the original reinforcement-learning NAS paper report for its large search?
    • One GPU for every NAS method
    • A fixed cost of exactly 1,000 GPU-days for every search
    • An experiment using 800 GPUs in that study
    • No accelerator use during architecture search
  4. Qual truque principal o DARTS usa para tornar a pesquisa eficiente?
    • Ele treina em um único exemplo
    • Remove todas as camadas ocultas
    • Ele usa apenas pesquisa aleatória
    • Ele relaxa as escolhas de arquitetura discreta em opções contínuas, otimizáveis por gradientes
  5. O que é uma ‘supernet’ em NAS com compartilhamento de peso?
    • Uma rede superparametrizada contendo todas as arquiteturas candidatas, cujos pesos são compartilhados
    • Uma rede com bilhões de parâmetros
    • Uma rede rodando apenas em supercomputadores
    • Uma cópia de backup do modelo
  6. What did the HURRICANE hardware-aware NAS study evaluate?
    • One architecture that is guaranteed optimal on every device
    • Tailored architectures for three hardware types under matched latency constraints
    • A language model trained without any hardware measurements
    • A method that removes latency from architecture evaluation
  7. What is one limitation of weight-sharing NAS supernets?
    • They remove all architecture choices
    • They guarantee the globally best architecture
    • The shared weights can bias architecture rankings relative to training each candidate independently
    • They do not use neural networks
  8. What does a NAS evaluation need to report for a fair comparison?
    • Only the best test score
    • The GPU brand alone
    • The model name without settings
    • Search space, compute budget, validation protocol, and final retraining setup