Test legat de ghid · Mediu Nivel

Test de căutare în arhitectură neuronală

Review NAS search spaces, algorithms, early search cost, DARTS relaxation, weight sharing, and evaluation caveats. Check assumptions and scope.

Căi de ghidare aferenteCăutarea arhitecturii neuronale
Întrebare 1 de 8

Ce automatizează Neural Architecture Search?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce automatizează Neural Architecture Search?
    • Proiectarea structurii rețelei neuronale
    • Etichetarea datelor de antrenament
    • Răcirea serverelor GPU
    • Redactarea documentatiei pentru modele
  2. Care trei componente definesc o metodă NAS?
    • Set de date, optimizator și abandon
    • Spațiul de căutare, strategia de căutare și estimarea performanței
    • Codificator, decodor și atenție
    • Seturi de instruire, validare și testare
  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. Ce truc cheie folosește DARTS pentru a eficientiza căutarea?
    • Se antrenează pe un singur exemplu
    • Îndepărtează toate straturile ascunse
    • Folosește doar căutare aleatorie
    • Relaxează alegerile discrete de arhitectură în altele continue optimizabile prin gradienți
  5. Ce este o „supernet” în NAS-ul de partajare a greutății?
    • O rețea supra-parametrată care conține toate arhitecturile candidate, ale căror ponderi sunt partajate
    • O rețea cu miliarde de parametri
    • O rețea care rulează numai pe supercalculatoare
    • O copie de rezervă a modelului
  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