แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการปรับโดเมน
ทดสอบการเปลี่ยนแปลงแหล่งที่มาและเป้าหมาย การไล่ระดับสีโดเมนแบบย้อนกลับ ความขาดแคลนป้ายกำกับเป้าหมาย วิธีการที่ไม่มีแหล่งที่มา และวัตถุประสงค์ของตัวแยกประเภทที่แยกจากกัน
คำถาม 1 ของ 8
การปรับโดเมนได้รับการออกแบบมาเพื่อแก้ปัญหาเป็นหลักอย่างไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การปรับโดเมนได้รับการออกแบบมาเพื่อแก้ปัญหาเป็นหลักอย่างไร
- การลดจำนวนพารามิเตอร์โมเดล
- เร่งการคูณเมทริกซ์บน GPU
- ประสิทธิภาพลดลงเมื่อข้อมูลการทดสอบแตกต่างจากข้อมูลการฝึกอบรม
- สร้างฉลากการฝึกอบรมสังเคราะห์โดยอัตโนมัติ
- ในเครือข่ายโดเมน-ฝ่ายตรงข้าม เลเยอร์การกลับตัวแบบไล่ระดับสีทำอะไรได้บ้าง
- มันผลักดันตัวแยกคุณสมบัติเพื่อทำให้แหล่งที่มาและเป้าหมายแยกไม่ออก
- มันจะลบตัวแยกประเภทโดเมนระหว่างการอนุมาน
- เพิ่มอัตราการเรียนรู้เป็นสองเท่าเพื่อการฝึกอบรมที่รวดเร็วยิ่งขึ้น
- โดยจะแปลงเอาต์พุตการถดถอยเป็นป้ายกำกับการจำแนกประเภท
- อะไรทำให้การปรับโดเมนแบบ 'ไม่ได้รับการดูแล' มีประโยชน์อย่างยิ่ง
- ไม่จำเป็นต้องฝึกอบรมโมเดลเลย
- ใช้งานได้กับข้อมูลภาพเท่านั้น
- โดยไม่จำเป็นต้องใช้โดเมนต้นทาง
- ไม่ต้องการข้อมูลที่ติดป้ายกำกับในโดเมนเป้าหมาย
- สถานการณ์ใดเป็นตัวอย่างคลาสสิกของการเปลี่ยนแปลงโดเมน
- โมเดลที่ได้รับการฝึกและทดสอบบนชุดข้อมูลเดียวกันทุกประการ
- เครื่องแยกประเภทเนื้องอกที่ได้รับการฝึกในเครื่องสแกนเครื่องหนึ่ง แต่ล้มเหลวในเครื่องสแกนอีกเครื่องหนึ่ง
- โมเดลที่ทำงานเร็วขึ้นหลังจากการหาปริมาณ
- เครือข่ายที่มีเลเยอร์มากกว่าเครือข่ายอื่น
- วิธีการปรับโดเมน 'ไม่มีแหล่งที่มา' ที่ออกแบบมาเพื่อหลีกเลี่ยงคืออะไร
- การเข้าถึงข้อมูลการฝึกอบรมแหล่งที่มาดั้งเดิมระหว่างการปรับตัว
- การใช้สถาปัตยกรรมโครงข่ายประสาทเทียมใดๆ
- สร้างการคาดการณ์ผลลัพธ์ใด ๆ
- ทำงานบน GPU ที่ทันสมัย
- A team starts adaptation from a broadly pretrained model. What should it still measure?
- Only the parameter count
- Only source training accuracy
- Performance on the actual target data and task
- Whether target evaluation can be skipped
- Which DANN head supplies the objective to distinguish source examples from target examples?
- The task label vocabulary
- The domain classifier
- The optimizer checkpoint file
- A fixed output embedding dimension
- Does gradient reversal mean changing a positive class label into a negative class label?
- Yes; every task label is negated
- Yes; all target samples are relabeled as source
- No; it freezes every feature weight
- No; it reverses the domain gradient into the feature extractor