แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการค้นหาสถาปัตยกรรมประสาท

ตรวจสอบพื้นที่การค้นหา NAS อัลกอริธึม ต้นทุนการค้นหาตั้งแต่เนิ่นๆ การผ่อนคลาย DARTS การแบ่งปันน้ำหนัก และข้อควรระวังในการประเมิน ตรวจสอบสมมติฐานและขอบเขต

เส้นทางแนะนำที่เกี่ยวข้องค้นหาสถาปัตยกรรมประสาท
คำถาม 1 ของ 8

การค้นหาสถาปัตยกรรมประสาทอัตโนมัติคืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การค้นหาสถาปัตยกรรมประสาทอัตโนมัติคืออะไร
    • การออกแบบโครงสร้างของโครงข่ายประสาทเทียม
    • การติดฉลากข้อมูลการฝึกอบรม
    • ระบายความร้อนเซิร์ฟเวอร์ GPU
    • การเขียนเอกสารสำหรับแบบจำลอง
  2. องค์ประกอบสามข้อใดกำหนดวิธี NAS
    • ชุดข้อมูล เครื่องมือเพิ่มประสิทธิภาพ และการออกกลางคัน
    • พื้นที่ค้นหา กลยุทธ์การค้นหา และการประมาณประสิทธิภาพ
    • ตัวเข้ารหัส ตัวถอดรหัส และความสนใจ
    • ชุดการฝึกอบรม การตรวจสอบ และการทดสอบ
  3. What accelerator scale did the original reinforcement-learning NAS paper report for its large search?
    • One GPU for every NAS method
    • A fixed cost of exactly 1,000 GPU-days for every search
    • An experiment using 800 GPUs in that study
    • No accelerator use during architecture search
  4. DARTS ใช้เคล็ดลับสำคัญอะไรเพื่อทำให้การค้นหามีประสิทธิภาพ
    • มันฝึกด้วยตัวอย่างเดียว
    • มันจะลบเลเยอร์ที่ซ่อนอยู่ทั้งหมด
    • ใช้การค้นหาแบบสุ่มเท่านั้น
    • มันผ่อนคลายตัวเลือกสถาปัตยกรรมที่แยกจากกันให้กลายเป็นสถาปัตยกรรมต่อเนื่องที่ปรับให้เหมาะสมได้ด้วยการไล่ระดับสี
  5. 'supernet' ใน NAS แบบแบ่งน้ำหนักคืออะไร
    • เครือข่ายที่มีพารามิเตอร์เกินหนึ่งเครือข่ายซึ่งประกอบด้วยสถาปัตยกรรมที่ผู้สมัครทั้งหมดซึ่งมีการแชร์น้ำหนัก
    • เครือข่ายที่มีพารามิเตอร์นับพันล้าน
    • เครือข่ายที่ทำงานบนซูเปอร์คอมพิวเตอร์เท่านั้น
    • สำเนาสำรองของโมเดล
  6. What did the HURRICANE hardware-aware NAS study evaluate?
    • One architecture that is guaranteed optimal on every device
    • Tailored architectures for three hardware types under matched latency constraints
    • A language model trained without any hardware measurements
    • A method that removes latency from architecture evaluation
  7. What is one limitation of weight-sharing NAS supernets?
    • They remove all architecture choices
    • They guarantee the globally best architecture
    • The shared weights can bias architecture rankings relative to training each candidate independently
    • They do not use neural networks
  8. What does a NAS evaluation need to report for a fair comparison?
    • Only the best test score
    • The GPU brand alone
    • The model name without settings
    • Search space, compute budget, validation protocol, and final retraining setup