แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการตัดแต่งกิ่งแบบจำลอง

ตรวจสอบการตัดแต่งกิ่งที่มีโครงสร้างและไม่มีโครงสร้าง ข้อจำกัดของเคอร์เนลแบบกระจัดกระจาย การกู้คืนซ้ำ การเรียกร้องตั๋วลอตเตอรี และการวัดการใช้งาน

เส้นทางแนะนำที่เกี่ยวข้องการตัดแต่งกิ่งแบบจำลอง
คำถาม 1 ของ 8

What does model pruning remove from a trained network?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. What does model pruning remove from a trained network?
    • การถอดน้ำหนักหรือโครงสร้างที่มีส่วนช่วยในการผลิตเพียงเล็กน้อย
    • การเพิ่มพารามิเตอร์เพิ่มเติมเพื่อปรับปรุงความแม่นยำ
    • ฝึกอบรมโมเดลสำหรับยุคสมัยที่มากขึ้น
    • การเพิ่มความละเอียดอินพุต
  2. อะไรที่ทำให้การตัดแต่งกิ่งแบบไม่มีโครงสร้างแตกต่างจากการตัดแต่งกิ่งแบบไม่มีโครงสร้าง?
    • การตัดแต่งกิ่งแบบมีโครงสร้างใช้ได้กับรูปภาพเท่านั้น
    • การตัดแต่งกิ่งแบบมีโครงสร้างจะกำจัดทั้งหน่วย เช่น เซลล์ประสาทหรือหัว ไม่มีโครงสร้างจะลบน้ำหนักของแต่ละบุคคล
    • การตัดแต่งกิ่งที่ไม่มีโครงสร้างต้องมีการฝึกใหม่ตั้งแต่ต้น
    • ไม่มีความแตกต่างในทางปฏิบัติระหว่างพวกเขา
  3. เหตุใดการตัดแต่งกิ่งแบบไม่มีโครงสร้างจึงมักล้มเหลวในการเร่งความเร็วโมเดลบนฮาร์ดแวร์ทั่วไป
    • มันลบเลเยอร์มากเกินไป
    • มันจะลดความแม่นยำลงเหลือศูนย์เสมอ
    • เมทริกซ์น้ำหนักกระจัดกระจายต้องใช้ฮาร์ดแวร์หรือไลบรารีพิเศษเพื่อใช้ประโยชน์จากค่าศูนย์
    • มันเพิ่มจำนวนพารามิเตอร์
  4. สูตรการตัดแต่งกิ่งแบบวนซ้ำทั่วไปคืออะไร?
    • ตัดทุกอย่างพร้อมกันแล้วปรับใช้
    • หาปริมาณก่อน จากนั้นอย่าฝึกใหม่
    • สุ่มลบเลเยอร์จนกว่าความแม่นยำจะลดลง
    • ฝึกฝน ตัดพารามิเตอร์ที่สำคัญน้อยที่สุด ปรับแต่งเพื่อกู้คืน และทำซ้ำ
  5. สมมติฐานตั๋วลอตเตอรีเรียกร้องอะไร?
    • เครือข่ายหนาแน่นประกอบด้วยเครือข่ายย่อยแบบกระจัดกระจายที่สามารถจับคู่โมเดลเต็มได้เมื่อได้รับการฝึกอบรมจากการเริ่มต้นที่ถูกต้อง
    • การตัดแต่งกิ่งจะช่วยเพิ่มความแม่นยำอยู่เสมอ
    • การตัดแต่งกิ่งแบบสุ่มนั้นดีที่สุดเสมอ
    • โมเดลขนาดใหญ่ไม่สามารถบีบอัดได้
  6. เกณฑ์ง่ายๆ ใดที่มักใช้ในการตัดสินใจว่าจะตัดน้ำหนักใด
    • ลำดับตัวอักษรของชื่อเลเยอร์
    • ขนาดสัมบูรณ์ของน้ำหนัก
    • สีของแผนที่การเปิดใช้งาน
    • จำนวนตัวอย่างการฝึกอบรม
  7. 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
  8. 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