Rehber bağlantılı sınav · Orta Seviye

Sinir Mimarisi Arama Testi

NAS arama alanlarını, algoritmaları, erken arama maliyetini, DARTS gevşemesini, ağırlık paylaşımını ve değerlendirme uyarılarını gözden geçirin. Varsayımları ve kapsamı kontrol edin.

İlgili kılavuz yollarıSinir Mimarisi Araması
Soru 1 arasında 8

Sinir Mimarisi Araması neyi otomatikleştirir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Sinir Mimarisi Araması neyi otomatikleştirir?
    • Sinir ağı yapısının tasarımı
    • Eğitim verilerini etiketleme
    • GPU sunucularını soğutma
    • Modeller için dokümantasyon yazma
  2. Hangi üç bileşen bir NAS yöntemini tanımlar?
    • Veri kümesi, optimize edici ve bırakma
    • Arama alanı, arama stratejisi ve performans tahmini
    • Kodlayıcı, kod çözücü ve dikkat
    • Eğitim, doğrulama ve test setleri
  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, aramayı verimli hale getirmek için hangi önemli numarayı kullanıyor?
    • Tek bir örnek üzerinde eğitim alıyor
    • Tüm gizli katmanları kaldırır
    • Yalnızca rastgele arama kullanır
    • Ayrık mimari seçimlerini, degradelerle optimize edilebilen sürekli seçeneklere dönüştürür
  5. Ağırlık paylaşımlı NAS'ta 'süper ağ' nedir?
    • Ağırlıkları paylaşılan tüm aday mimarileri içeren aşırı parametreli bir ağ
    • Milyarlarca parametreli bir ağ
    • Yalnızca süper bilgisayarlarda çalışan bir ağ
    • Modelin yedek kopyası
  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