แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการตัดแต่งกิ่งแบบจำลอง
ตรวจสอบการตัดแต่งกิ่งที่มีโครงสร้างและไม่มีโครงสร้าง ข้อจำกัดของเคอร์เนลแบบกระจัดกระจาย การกู้คืนซ้ำ การเรียกร้องตั๋วลอตเตอรี และการวัดการใช้งาน
คำถาม 1 ของ 8
What does model pruning remove from a trained network?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- What does model pruning remove from a trained network?
- การถอดน้ำหนักหรือโครงสร้างที่มีส่วนช่วยในการผลิตเพียงเล็กน้อย
- การเพิ่มพารามิเตอร์เพิ่มเติมเพื่อปรับปรุงความแม่นยำ
- ฝึกอบรมโมเดลสำหรับยุคสมัยที่มากขึ้น
- การเพิ่มความละเอียดอินพุต
- อะไรที่ทำให้การตัดแต่งกิ่งแบบไม่มีโครงสร้างแตกต่างจากการตัดแต่งกิ่งแบบไม่มีโครงสร้าง?
- การตัดแต่งกิ่งแบบมีโครงสร้างใช้ได้กับรูปภาพเท่านั้น
- การตัดแต่งกิ่งแบบมีโครงสร้างจะกำจัดทั้งหน่วย เช่น เซลล์ประสาทหรือหัว ไม่มีโครงสร้างจะลบน้ำหนักของแต่ละบุคคล
- การตัดแต่งกิ่งที่ไม่มีโครงสร้างต้องมีการฝึกใหม่ตั้งแต่ต้น
- ไม่มีความแตกต่างในทางปฏิบัติระหว่างพวกเขา
- เหตุใดการตัดแต่งกิ่งแบบไม่มีโครงสร้างจึงมักล้มเหลวในการเร่งความเร็วโมเดลบนฮาร์ดแวร์ทั่วไป
- มันลบเลเยอร์มากเกินไป
- มันจะลดความแม่นยำลงเหลือศูนย์เสมอ
- เมทริกซ์น้ำหนักกระจัดกระจายต้องใช้ฮาร์ดแวร์หรือไลบรารีพิเศษเพื่อใช้ประโยชน์จากค่าศูนย์
- มันเพิ่มจำนวนพารามิเตอร์
- สูตรการตัดแต่งกิ่งแบบวนซ้ำทั่วไปคืออะไร?
- ตัดทุกอย่างพร้อมกันแล้วปรับใช้
- หาปริมาณก่อน จากนั้นอย่าฝึกใหม่
- สุ่มลบเลเยอร์จนกว่าความแม่นยำจะลดลง
- ฝึกฝน ตัดพารามิเตอร์ที่สำคัญน้อยที่สุด ปรับแต่งเพื่อกู้คืน และทำซ้ำ
- สมมติฐานตั๋วลอตเตอรีเรียกร้องอะไร?
- เครือข่ายหนาแน่นประกอบด้วยเครือข่ายย่อยแบบกระจัดกระจายที่สามารถจับคู่โมเดลเต็มได้เมื่อได้รับการฝึกอบรมจากการเริ่มต้นที่ถูกต้อง
- การตัดแต่งกิ่งจะช่วยเพิ่มความแม่นยำอยู่เสมอ
- การตัดแต่งกิ่งแบบสุ่มนั้นดีที่สุดเสมอ
- โมเดลขนาดใหญ่ไม่สามารถบีบอัดได้
- เกณฑ์ง่ายๆ ใดที่มักใช้ในการตัดสินใจว่าจะตัดน้ำหนักใด
- ลำดับตัวอักษรของชื่อเลเยอร์
- ขนาดสัมบูรณ์ของน้ำหนัก
- สีของแผนที่การเปิดใช้งาน
- จำนวนตัวอย่างการฝึกอบรม
- 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
- 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