Test de tăiere a modelului

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce elimină tăierea modelului dintr-o rețea instruită?
   • Îndepărtarea greutăților sau structurilor care contribuie puțin la rezultat
   • Adăugarea mai multor parametri pentru a îmbunătăți acuratețea
   • Antrenarea unui model pentru mai multe epoci
   • Creșterea rezoluției de intrare
2. Ce diferențiază tăierea structurată de tăierea nestructurată?
   • Tăierea structurată funcționează numai pe imagini
   • Tăierea structurată elimină unități întregi, cum ar fi neuronii sau capetele; nestructurat îndepărtează greutățile individuale
   • Tăierea nestructurată necesită recalificare de la zero
   • Nu există nicio diferență practică între ele
3. De ce tăierea nestructurată nu reușește adesea să accelereze un model pe hardware obișnuit?
   • Acesta șterge prea multe straturi
   • Reduce întotdeauna precizia la zero
   • Matricele cu greutate redusă au nevoie de hardware sau biblioteci speciale pentru a exploata zerourile
   • Mărește numărul de parametri
4. Care este rețeta tipică de tăiere iterativă?
   • Tăiați totul deodată, apoi implementați
   • Cuantificați mai întâi, apoi nu reantrenați niciodată
   • Ștergeți aleatoriu straturile până când precizia scade
   • Antrenați, tăiați parametrii cei mai puțin importanți, reglați fin pentru a vă recupera și repetați
5. Ce pretinde ipoteza biletului de loterie?
   • Rețelele dense conțin subrețele rare care se pot potrivi cu modelul complet atunci când sunt antrenate de la inițializarea corectă
   • Tunderea îmbunătățește întotdeauna precizia
   • Tăierea aleatorie este întotdeauna cea mai bună
   • Modelele mari nu pot fi comprimate
6. Ce criteriu simplu este folosit în mod obișnuit pentru a decide ce greutăți să tăiați?
   • Ordinea alfabetică a numelor straturilor
   • Mărimea absolută a greutăților
   • Culoarea hărților de activare
   • Numărul de exemple de instruire
7. When is pruning most likely to reduce inference latency on ordinary dense hardware?
   • When individual zeros are added but the dense kernel still computes them
   • When the model is renamed without changing its graph
   • When whole channels or other structures are removed to produce a smaller dense model
   • When a sparse checkpoint is stored in a larger file
8. What should a team measure after pruning for a deployment target?
   • Only the number of zeros in a checkpoint
   • Only training accuracy before pruning
   • Whether the file extension changed
   • Task quality and latency or memory on the intended hardware