แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบสถาปัตยกรรมคอขวด

ตรวจสอบการลดช่องสัญญาณ การประหยัดในการประมวลผล ส่วนที่เหลือกลับด้าน การอัปเดตระดับต่ำ และข้อจำกัดด้านมิติข้อมูลที่ใช้ร่วมกันเบื้องหลังปัญหาคอขวด

เส้นทางแนะนำที่เกี่ยวข้องสถาปัตยกรรมคอขวด
คำถาม 1 ของ 8

ในบล็อกคอขวดของ ResNet บทบาทของการบิด 1x1 แรกคืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ในบล็อกคอขวดของ ResNet บทบาทของการบิด 1x1 แรกคืออะไร
    • เพื่อลดจำนวนช่องก่อนการบิด 3x3
    • เพื่อเพิ่มความละเอียดเชิงพื้นที่
    • เพื่อใช้การจัดประเภทขั้นสุดท้าย
    • เพื่อเพิ่มเสียงรบกวนเพื่อความสม่ำเสมอ
  2. เหตุใดปัญหาคอขวดจึงทำให้เครือข่ายระดับลึกถูกกว่าในการคำนวณ
    • มันจะลบการเปิดใช้งานทั้งหมด
    • มันดำเนินการราคาแพงในช่องสัญญาณที่น้อยกว่า
    • มันใช้เมล็ดที่ใหญ่กว่าทุกที่
    • มันข้ามการเผยแพร่กลับ
  3. ในโปรแกรมเข้ารหัสอัตโนมัติ ชั้นคอขวดจะกำหนดสิ่งต่อไปนี้เป็นหลัก
    • ตัวเลือกเครื่องมือเพิ่มประสิทธิภาพ
    • รูปแบบไฟล์รูปภาพ
    • บีบอัดอินพุตได้มากน้อยเพียงใด
    • ขนาดแบทช์
  4. MobileNetV2 ใช้แนวคิดคอขวดในรูปแบบใด
    • คอขวดรวมตัวบริสุทธิ์
    • คอขวดที่เกิดซ้ำ
    • ไม่มีปัญหาคอขวดเลย
    • คอขวดที่เหลือกลับด้าน (ขยายแล้วหดตัว)
  5. LoRA ใช้หลักการคอขวดกับโมเดลภาษาขนาดใหญ่อย่างไร
    • โดยการแทรกคอขวดระดับต่ำ (แคบ) ที่สามารถฝึกได้ลงในการอัปเดตน้ำหนัก
    • โดยการลบชั้นความสนใจ
    • โดยการเพิ่มน้ำหนักทั้งหมดเป็นสองเท่า
    • โดยการหาปริมาณเป็น 1 บิต
  6. บล็อกคอขวดของ ResNet ทั่วไปจะเป็นไปตามรูปแบบช่องสัญญาณใด
    • กว้างกว้างกว้าง
    • ลด ประมวลผล คืนค่า (เช่น 256 ถึง 64 ถึง 256)
    • แคบ กว้าง แคบ
    • สุ่มต่อชั้น
  7. A ResNet block reduces 256 channels to 64 before its 3×3 convolution. Ignoring the 1×1 layers, what is the 3×3 layer’s approximate multiply-add cost relative to 256 channels?
    • About one-quarter
    • About one-half
    • About one-sixteenth
    • About four times as much
  8. An autoencoder uses a narrow latent code. What constraint does this impose on reconstruction?
    • The encoder must preserve every input pixel exactly
    • The network can no longer use learned weights
    • The decoder must expand the latent code before encoding
    • The decoder must reconstruct the input from a compressed representation