แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบการลดความคมให้เหลือน้อยที่สุด

ตรวจสอบการอัปเดตสองรอบของ SAM รัศมีพื้นที่ใกล้เคียง การไล่ระดับน้ำหนักที่ถูกรบกวน และการแลกเปลี่ยนระหว่างความเรียบและการประมวลผล

เส้นทางแนะนำที่เกี่ยวข้องการลดการรับรู้ความคมชัด
คำถาม 1 ของ 8

SAM พยายามค้นหาขั้นต่ำประเภทใด

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. SAM พยายามค้นหาขั้นต่ำประเภทใด
    • ค่าต่ำสุดคงที่ซึ่งการขาดทุนจะต่ำตามน้ำหนักใกล้เคียง
    • ขั้นต่ำที่คมชัดที่สุดที่เป็นไปได้
    • ขั้นต่ำที่มีพารามิเตอร์มากที่สุด
    • เข้าถึงขั้นต่ำได้ในขั้นตอนเดียว
  2. ขั้นตอน SAM มาตรฐานต้องใช้การส่งต่อไปข้างหน้าและถอยหลังกี่ครั้ง
    • ผ่านไปครึ่งทาง
    • ประมาณสอง.
    • ตรงนั้นอันหนึ่ง
    • สิบหรือมากกว่า
  3. ไฮเปอร์พารามิเตอร์รัศมี rho ควบคุมอะไรใน SAM
    • อัตราการเรียนรู้ลดความเร็วลง
    • จำนวนยุคการฝึกอบรม
    • ขนาดของพื้นที่ใกล้เคียงรอบตุ้มน้ำหนักที่ได้รับการป้องกันจากการสูญเสีย
    • ความน่าจะเป็นที่ออกกลางคัน
  4. ขั้นตอนแรกของสองขั้นตอนของ SAM ในการวนซ้ำแต่ละครั้งคืออะไร
    • ย่อโมเดล
    • เฉลี่ยน้ำหนักของขั้นตอนที่ผ่านมาทั้งหมด
    • รีเซ็ตสถานะเครื่องมือเพิ่มประสิทธิภาพ
    • ก้าวขึ้นขนาด rho ไปยังจุดใกล้เคียงที่เลวร้ายที่สุด
  5. เหตุใด SAM จึงปรับปรุงความทนทานต่อสัญญาณรบกวนของฉลากบ่อยครั้ง
    • เนื่องจากค่าขั้นต่ำแบบแบนมีแนวโน้มที่จะจดจำฉลากที่เสียหายน้อยกว่า
    • เพราะมันลบป้ายที่มีเสียงดังโดยอัตโนมัติ
    • เพราะมันใช้คำศัพท์ที่ใหญ่กว่า
    • เพราะมันเพิ่มขนาดเป็นสามเท่า
  6. ข้อใดต่อไปนี้เป็นตัวแปรที่ออกแบบมาเพื่อลดต้นทุนการประมวลผลของ SAM
    • รีลู
    • ESAM (SAM ที่มีประสิทธิภาพ)
    • BatchNorm
    • อดากราด
  7. In SAM’s second pass, which gradient is used to update the original model weights?
    • The gradient of a random label
    • The first pass gradient without evaluating the perturbed point
    • The gradient evaluated at the perturbed nearby weights
    • A gradient from a different model checkpoint
  8. If SAM’s neighborhood radius rho is set to zero, what happens to its perturbation step?
    • The model parameters are all set to zero
    • The loss becomes independent of the weights
    • The optimizer takes an infinite step
    • There is no weight perturbation, so the neighborhood reduces to the current point