แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการค้นหาสถาปัตยกรรมประสาท
ตรวจสอบพื้นที่การค้นหา NAS อัลกอริธึม ต้นทุนการค้นหาตั้งแต่เนิ่นๆ การผ่อนคลาย DARTS การแบ่งปันน้ำหนัก และข้อควรระวังในการประเมิน ตรวจสอบสมมติฐานและขอบเขต
คำถาม 1 ของ 8
การค้นหาสถาปัตยกรรมประสาทอัตโนมัติคืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การค้นหาสถาปัตยกรรมประสาทอัตโนมัติคืออะไร
- การออกแบบโครงสร้างของโครงข่ายประสาทเทียม
- การติดฉลากข้อมูลการฝึกอบรม
- ระบายความร้อนเซิร์ฟเวอร์ GPU
- การเขียนเอกสารสำหรับแบบจำลอง
- องค์ประกอบสามข้อใดกำหนดวิธี NAS
- ชุดข้อมูล เครื่องมือเพิ่มประสิทธิภาพ และการออกกลางคัน
- พื้นที่ค้นหา กลยุทธ์การค้นหา และการประมาณประสิทธิภาพ
- ตัวเข้ารหัส ตัวถอดรหัส และความสนใจ
- ชุดการฝึกอบรม การตรวจสอบ และการทดสอบ
- 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
- DARTS ใช้เคล็ดลับสำคัญอะไรเพื่อทำให้การค้นหามีประสิทธิภาพ
- มันฝึกด้วยตัวอย่างเดียว
- มันจะลบเลเยอร์ที่ซ่อนอยู่ทั้งหมด
- ใช้การค้นหาแบบสุ่มเท่านั้น
- มันผ่อนคลายตัวเลือกสถาปัตยกรรมที่แยกจากกันให้กลายเป็นสถาปัตยกรรมต่อเนื่องที่ปรับให้เหมาะสมได้ด้วยการไล่ระดับสี
- 'supernet' ใน NAS แบบแบ่งน้ำหนักคืออะไร
- เครือข่ายที่มีพารามิเตอร์เกินหนึ่งเครือข่ายซึ่งประกอบด้วยสถาปัตยกรรมที่ผู้สมัครทั้งหมดซึ่งมีการแชร์น้ำหนัก
- เครือข่ายที่มีพารามิเตอร์นับพันล้าน
- เครือข่ายที่ทำงานบนซูเปอร์คอมพิวเตอร์เท่านั้น
- สำเนาสำรองของโมเดล
- 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
- 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
- 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