Test legat de ghid · Mediu Nivel

Test de coborâre în degrade

Review plain gradient-descent direction, learning-rate steps, sampled gradients, momentum, Adam adaptation, numerical updates, and stationary-point limits.

Căi de ghidare aferenteCoborâre în gradient
Întrebare 1 de 8

In plain gradient descent, which direction is used relative to the objective's gradient?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. In plain gradient descent, which direction is used relative to the objective's gradient?
    • The negative-gradient direction
    • The positive-gradient direction
    • An arbitrary perpendicular direction by definition
    • A direction chosen without evaluating any gradient
  2. Ce controlează rata de învățare?
    • Numărul de straturi din model
    • Câte clase poate prezice modelul
    • Mărimea fiecărui pas făcut în timpul optimizării
    • Cantitatea de date de antrenament utilizate
  3. How does a mini-batch gradient relate to the full selected training-data objective?
    • It uses no examples
    • It is computed on the batch and used as an estimate of the full-data gradient
    • It must equal the full-data gradient on every step
    • It only exists for images
  4. Ce problemă poate cauza o rată de învățare prea mare?
    • Antrenamentul devine extrem de lent, dar stabil
    • Modelul ignoră gradientul
    • Setul de date devine corupt
    • Modelul depășește minimul și poate diverge
  5. What information does momentum carry into later gradient-descent updates?
    • Only the model's vocabulary size
    • A permanent deletion of all earlier gradients
    • A running weighted combination of earlier gradients
    • An unrelated random reset of every weight
  6. Care este o caracteristică cheie a optimizatorului Adam în comparație cu coborârea în gradient simplu?
    • Acesta adaptează rata efectivă de învățare pentru fiecare parametru
    • Utilizează un singur pas fix pentru fiecare parametru
    • Nu necesită degrade
    • Antrenează doar stratul de ieșire
  7. For plain gradient descent with old weight two, gradient three, and learning rate one-tenth, what is the new weight?
    • Two-point-three
    • One-point-nine-seven
    • Trei
    • One-point-seven
  8. What does a zero gradient fail to prove for a nonconvex training objective?
    • That the gradient value is zero at the evaluated point
    • That the current point is a global minimum
    • That the objective has been evaluated locally
    • That a stationary-point condition holds