แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ง่าย ระดับ
แบบทดสอบการหยุดก่อนกำหนด
ครอบคลุมการตรวจสอบความถูกต้อง ความอดทน และการกู้คืนจุดตรวจสอบ และเมื่อหยุดก่อนกำหนดอาจทำให้การฝึกอบรมเป็นปกติโดยไม่รับประกันว่าข้อผิดพลาดในการทดสอบจะลดลง
คำถาม 1 ของ 8
การหยุดก่อนกำหนดจะติดตามสัญญาณอะไรเป็นหลักเพื่อตัดสินใจว่าจะหยุดเมื่อใด
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การหยุดก่อนกำหนดจะติดตามสัญญาณอะไรเป็นหลักเพื่อตัดสินใจว่าจะหยุดเมื่อใด
- ประสิทธิภาพชุดการตรวจสอบ
- การสูญเสียชุดการฝึก
- อุณหภูมิของจีพียู
- จำนวนพารามิเตอร์โมเดล
- พารามิเตอร์ 'ความอดทน' ควบคุมอะไร?
- อัตราการเรียนรู้สูงสุด
- กี่ยุคให้รอไม่ปรับปรุงก่อนจะหยุด
- ขนาดแบทช์
- จำนวนพับการตรวจสอบ
- หลังจากการหยุดกระตุ้นตั้งแต่เนิ่นๆ คุณควรรักษาตุ้มน้ำหนักใดไว้
- น้ำหนักจากยุคสุดท้าย
- น้ำหนักเริ่มต้นแบบสุ่ม
- น้ำหนักจากยุคการตรวจสอบที่ดีที่สุด
- ค่าเฉลี่ยของยุคทั้งหมด
- Why can early stopping act as a form of regularization?
- It adds a fixed L2 penalty to every weight
- It guarantees lower test error on every dataset
- It prevents the model from seeing training examples
- It limits how long optimization proceeds and can reduce fitting to training-specific patterns
- รูปร่างทั่วไปของเส้นโค้งการตรวจสอบความถูกต้อง-ข้อผิดพลาดในระหว่างการฝึกอบรมอธิบายได้ดีที่สุดดังนี้:
- รูปตัวยูที่ล้มแล้วลุกขึ้น
- ลดลงอย่างจำเจ
- เส้นแบน
- เพิ่มขึ้นอย่างจำเจ
- โดยทั่วไปเกณฑ์ 'min_delta' ระบุอะไร
- จำนวนชั้นขั้นต่ำ
- การปรับปรุงขั้นต่ำที่นับเป็นความก้าวหน้า
- ขนาดชุดขั้นต่ำ
- ขนาดชุดข้อมูลขั้นต่ำ
- What does patience allow an early-stopping rule to do?
- Continue training forever regardless of validation results
- Change the model architecture after every batch
- Wait through a set number of validation checks without qualifying improvement before stopping
- Use the test set to select the final epoch
- Why should the test set generally remain outside the early-stopping loop?
- The test set cannot contain labels
- Training libraries cannot load test data
- Early stopping requires the test set to be empty
- Repeatedly selecting by test performance would make it part of model selection