Test de programare a ratei de învățare

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este scopul unei faze de „încălzire” într-un program al ratei de învățare?
   • Pentru a începe cu o rată mică și pentru a crește, evitând instabilitatea de la pantele zgomotoase timpurii
   • Pentru a reduce precizia finală
   • Pentru a sări peste primele loturi de date
   • Pentru a îngheța toate greutățile la început
2. Care program urmează lin o curbă semicosinus în jos spre o rată minimă?
   • Program constant
   • Recoacere cosinus
   • Program aleatoriu
   • Creștere liniară
3. Ce se întâmplă dacă rata de învățare este setată mult prea mare?
   • Antrenamentul converge instantaneu cu o precizie perfectă
   • Modelul se antrenează mai încet, dar întotdeauna reușește
   • Pierderea poate diverge sau oscila în loc să scadă
   • Nu se schimbă nimic; rata nu are efect
4. Ce afectează decăderea în trepte asupra ratei de învățare?
   • O mărește liniar la fiecare lot
   • Îl menține perfect constant
   • Setează aleator la fiecare pas
   • O reduce cu un factor fix la epoci predefinite
5. What does a warm restart do to a learning-rate schedule?
   • It raises the learning rate again to begin another schedule cycle
   • It resets the model parameters to random values
   • It permanently fixes the learning rate at zero
   • It deletes the optimizer’s moment estimates
6. In Goyal et al.’s large-minibatch ImageNet setup, what did their warmup scheme address?
   • It removed the need for a validation set
   • It eased early optimization difficulties after the learning-rate scale increased with batch size
   • It changed the model architecture after each epoch
   • It converted the learning-rate curve into a cosine wave
7. In the cosine formula, what does T denote?
   • Numărul de straturi de model
   • Dimensiunea lotului
   • The schedule horizon or total number of steps used for the decay
   • The optimizer’s momentum coefficient
8. If the cosine schedule uses lr_min greater than zero, where does the rate approach at the end of the horizon?
   • Exactly zero regardless of lr_min
   • The original warmup starting rate
   • An unbounded value
   • The specified minimum learning rate