Model Budama Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Model budama eğitimli bir ağdan neyi kaldırır?
   • Çıktıya çok az katkıda bulunan ağırlıkların veya yapıların kaldırılması
   • Doğruluğu artırmak için daha fazla parametre ekleme
   • Bir modeli daha fazla dönem için eğitme
   • Giriş çözünürlüğünü artırma
2. Yapılandırılmış budamayı yapılandırılmamış budamadan ayıran nedir?
   • Yapılandırılmış budama yalnızca görsellerde çalışır
   • Yapılandırılmış budama, nöronlar veya kafalar gibi tüm birimleri ortadan kaldırır; yapılandırılmamış bireysel ağırlıkları ortadan kaldırır
   • Yapılandırılmamış budama sıfırdan yeniden eğitim gerektirir
   • Aralarında pratik bir fark yok
3. Yapılandırılmamış budama neden sıradan donanımdaki bir modeli hızlandırmakta sıklıkla başarısız oluyor?
   • Çok fazla katmanı siliyor
   • Doğruluğu her zaman sıfıra indirir
   • Seyrek ağırlıklı matrislerin sıfırlardan yararlanabilmesi için özel donanıma veya kitaplıklara ihtiyacı vardır
   • Parametre sayısını artırır
4. Tipik yinelemeli budama tarifi nedir?
   • Her şeyi bir kerede budayıp dağıtın
   • Önce niceliklendirin, sonra asla yeniden eğitmeyin
   • Doğruluk düşene kadar katmanları rastgele silin
   • En az önemli parametreleri eğitin, budayın, kurtarmak için ince ayar yapın ve tekrarlayın
5. Piyango Bileti Hipotezi ne iddia ediyor?
   • Yoğun ağlar, doğru başlatmayla eğitildiğinde tam modelle eşleşebilecek seyrek alt ağlar içerir
   • Budama her zaman doğruluğu artırır
   • Rastgele budama her zaman en iyisidir
   • Büyük modeller sıkıştırılamaz
6. Hangi ağırlıkların budanacağına karar vermek için yaygın olarak hangi basit kriter kullanılır?
   • Katman adlarının alfabetik sırası
   • Ağırlıkların mutlak büyüklüğü
   • Etkinleştirme haritalarının rengi
   • Eğitim örneklerinin sayısı
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