Transfer Testi için Adaptör Katmanları

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Adaptörlerle antrenman yaparken orijinal önceden eğitilmiş ağırlıklara ne olur?
   • Yalnızca adaptör parametreleri eğitilirken dondurulurlar
   • Silindiler
   • Rastgele yeniden başlatılırlar
   • Boyutları iki katına çıktı
2. Bir darboğaz adaptörünün tipik iç yapısı nedir?
   • Tek bir devasa yoğun katman
   • Bir aşağı projeksiyon, bir doğrusal olmama, ardından artık bağlantılı bir yukarı projeksiyon
   • Sadece bir dikkat kafası
   • Evrişimli bir görüntü filtresi
3. Bağdaştırıcılar genellikle parametrelerin kabaca ne kadarını eğitir?
   • %100
   • Tam olarak %50
   • Çoğunlukla %5'in altında
   • Hiç yok
4. Bağdaştırıcılar neden birçok görevi yerine getirmeye uygundur?
   • Görev başına ayrı bir tam model kopyası gerektirirler
   • Birleştirilemezler
   • Her görevden sonra temel modeli silerler
   • Bir temel modeli elinizde tutarsınız ve görev başına küçük adaptörleri değiştirirsiniz
5. Adaptörler hangi teknik ailesine aittir?
   • Parametre açısından verimli ince ayar (PEFT)
   • Veri artırma
   • Görüntü sıkıştırma
   • Tokenizasyon şemaları
6. LoRA, çıkarım zamanında klasik takılı adaptöre göre ne gibi avantajlar sunuyor?
   • Eğitilemez
   • Öğrenilen ağırlıklar, katman başına ekstra gecikmeyi önleyerek temel matrislerle birleştirilebilir
   • Tüm modelin yeniden eğitilmesini gerektirir
   • Artık bağlantıyı kalıcı olarak kaldırır
7. What does a residual connection contribute to a classic bottleneck adapter?
   • A second full pretrained model copy for each task
   • A mandatory external retrieval database
   • A path that adds the adapter’s transformed representation back to the original hidden state
   • A guarantee that no added computation occurs
8. What is one benefit of stacking a domain adapter with a task adapter?
   • Merge all user data into the frozen base weights automatically
   • Avoid using any adapter modules
   • Convert a language model into a vision encoder
   • Reuse a domain specialization together with a separate task specialization