Test legat de ghid · Mediu Nivel

Test privind rețelele reziduale

Review residual-block computation, identity shortcuts, gradient paths, ImageNet-era depth, and how residuals recur in neural architectures.

Căi de ghidare aferenteRețele reziduale
Întrebare 1 de 8

Ce problemă au rezolvat în mod specific conexiunile reziduale?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce problemă au rezolvat în mod specific conexiunile reziduale?
    • Rețelele de câmpie profundă se antrenează mai rău decât cele mai puțin adânci (degradare)
    • Imaginile au o rezoluție prea mică
    • Lipsa datelor de antrenament etichetate
    • GPU-urile rămân fără memorie
  2. What does a basic residual block compute when input and output dimensions match?
    • Multiplies the input by itself
    • Adds the block’s learned residual function to its input, y = F(x) + x
    • Drops the input and returns zero
    • Sorts input channels alphabetically
  3. De ce săriți conexiunile ajută la gradienți în timpul antrenamentului?
    • They eliminate the need to train weights
    • They force every layer to output zero
    • They provide an additional direct path for gradient flow around the learned transformation
    • They make deep networks immune to all optimization problems
  4. How deep was the deepest ResNet evaluated in the original ImageNet paper?
    • 18 layers
    • 34 layers
    • 50 layers
    • 152 de straturi
  5. Dacă straturile unui bloc rezidual învață F(x) = 0, ce face blocul?
    • Acesta trece efectiv intrarea prin neschimbat (identitate)
    • Iese zero și întrerupe rețeaua
    • Acesta dublează intrarea
    • Randomizează ieșirea
  6. What residual connection does the Transformer paper describe around attention and feed-forward sublayers?
    • Replace the sublayer input with a class label
    • Add each sublayer’s output to the sublayer input through a residual connection
    • Average every token globally at the output only
    • Remove the residual stream after self-attention
  7. When a residual block changes channel dimensions, what can a projection shortcut do?
    • Convert the input into a text sequence
    • Remove the residual branch
    • Map the shortcut input to the dimensions required for addition
    • Guarantee that every gradient has unit magnitude
  8. What sequence of convolutions defines the original ResNet bottleneck block?
    • Three 3×3 convolutions only
    • A 3×3 convolution followed by two fully connected layers
    • A pooling layer followed by two transposed convolutions
    • A 1×1, then 3×3, then 1×1 convolution