Maswali yanayounganishwa na mwongozo · Kati Kiwango

Mfano wa Maswali ya Kupogoa

Hukagua upogoaji uliopangwa na usio na mpangilio, vikomo vya punje ndogo, urejeshaji wa mara kwa mara, madai ya tikiti za bahati nasibu na vipimo vya matumizi.

Njia za mwongozo zinazohusianaKupogoa kwa Mfano
Swali 1 ya 8

Kupogoa kwa modeli kunaondoa nini kutoka kwa mtandao uliofunzwa?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Kupogoa kwa modeli kunaondoa nini kutoka kwa mtandao uliofunzwa?
    • Kuondoa uzani au miundo inayochangia kidogo kwa pato
    • Kuongeza vigezo zaidi ili kuboresha usahihi
    • Kufundisha mfano kwa enzi zaidi
    • Kuongeza azimio la uingizaji
  2. Ni nini hutofautisha kupogoa kwa mpangilio na kupogoa bila mpangilio?
    • Kupogoa kwa mpangilio hufanya kazi kwenye picha pekee
    • Kupogoa kwa mpangilio huondoa vitengo vizima kama vile niuroni au vichwa; isiyo na muundo huondoa uzito wa mtu binafsi
    • Kupogoa bila mpangilio kunahitaji kujizoeza kutoka mwanzo
    • Hakuna tofauti ya vitendo kati yao
  3. Kwa nini kupogoa bila mpangilio mara nyingi hushindwa kuharakisha mfano kwenye vifaa vya kawaida?
    • Inafuta tabaka nyingi sana
    • Daima hupunguza usahihi hadi sifuri
    • Matrices ya uzani mdogo yanahitaji maunzi maalum au maktaba ili kutumia sufuri
    • Inaongeza hesabu ya parameta
  4. Je, ni kichocheo gani cha kawaida cha kupogoa mara kwa mara?
    • Kata kila kitu mara moja, kisha upeleke
    • Chunguza kwanza, kisha usijizuie tena
    • Futa safu mara kwa mara hadi usahihi ushuke
    • Funza, kata vigezo ambavyo sio muhimu sana, rekebisha vizuri ili upate nafuu, na urudie
  5. Dhana ya Tikiti za Bahati Nasibu inadai nini?
    • Mitandao minene ina mitandao midogo midogo ambayo inaweza kulingana na muundo kamili inapofunzwa kutoka kwa uanzishaji sahihi
    • Kupogoa daima kunaboresha usahihi
    • Kupogoa bila mpangilio daima ni bora
    • Miundo mikubwa haiwezi kubanwa
  6. Ni kigezo gani rahisi kinachotumiwa kwa kawaida kuamua ni uzito gani wa kukata?
    • Mpangilio wa alfabeti wa majina ya safu
    • Ukubwa kamili wa uzito
    • Rangi ya ramani za kuwezesha
    • Idadi ya mifano ya mafunzo
  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