แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ง่าย ระดับ

แบบทดสอบการหยุดก่อนกำหนด

ครอบคลุมการตรวจสอบความถูกต้อง ความอดทน และการกู้คืนจุดตรวจสอบ และเมื่อหยุดก่อนกำหนดอาจทำให้การฝึกอบรมเป็นปกติโดยไม่รับประกันว่าข้อผิดพลาดในการทดสอบจะลดลง

เส้นทางแนะนำที่เกี่ยวข้องการหยุดก่อนเวลา
คำถาม 1 ของ 8

การหยุดก่อนกำหนดจะติดตามสัญญาณอะไรเป็นหลักเพื่อตัดสินใจว่าจะหยุดเมื่อใด

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การหยุดก่อนกำหนดจะติดตามสัญญาณอะไรเป็นหลักเพื่อตัดสินใจว่าจะหยุดเมื่อใด
    • ประสิทธิภาพชุดการตรวจสอบ
    • การสูญเสียชุดการฝึก
    • อุณหภูมิของจีพียู
    • จำนวนพารามิเตอร์โมเดล
  2. พารามิเตอร์ 'ความอดทน' ควบคุมอะไร?
    • อัตราการเรียนรู้สูงสุด
    • กี่ยุคให้รอไม่ปรับปรุงก่อนจะหยุด
    • ขนาดแบทช์
    • จำนวนพับการตรวจสอบ
  3. หลังจากการหยุดกระตุ้นตั้งแต่เนิ่นๆ คุณควรรักษาตุ้มน้ำหนักใดไว้
    • น้ำหนักจากยุคสุดท้าย
    • น้ำหนักเริ่มต้นแบบสุ่ม
    • น้ำหนักจากยุคการตรวจสอบที่ดีที่สุด
    • ค่าเฉลี่ยของยุคทั้งหมด
  4. 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
  5. รูปร่างทั่วไปของเส้นโค้งการตรวจสอบความถูกต้อง-ข้อผิดพลาดในระหว่างการฝึกอบรมอธิบายได้ดีที่สุดดังนี้:
    • รูปตัวยูที่ล้มแล้วลุกขึ้น
    • ลดลงอย่างจำเจ
    • เส้นแบน
    • เพิ่มขึ้นอย่างจำเจ
  6. โดยทั่วไปเกณฑ์ 'min_delta' ระบุอะไร
    • จำนวนชั้นขั้นต่ำ
    • การปรับปรุงขั้นต่ำที่นับเป็นความก้าวหน้า
    • ขนาดชุดขั้นต่ำ
    • ขนาดชุดข้อมูลขั้นต่ำ
  7. 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
  8. 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