Sinir Ağları Testi için Ölçekleme Yasaları

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
   • Approximate power-law relationships over the tested ranges
   • A sudden guaranteed drop to zero
   • A fixed increase in loss for every larger model
   • Random oscillation with no measurable trend
2. Orijinal ölçeklendirme yasaları hangi üç niceliği kayıpla ilişkilendirir?
   • Toplu iş boyutu, ayrılma ve dönemler
   • Model parametreleri, veri kümesi boyutu ve hesaplama
   • Öğrenme oranı, ağırlık azalması ve derinlik
   • GPU sayısı, bellek ve gecikme
3. How can a scaling-law fit help when planning a larger training run?
   • It guarantees the final benchmark score
   • Doğrulama ihtiyacını ortadan kaldırır
   • It can inform an extrapolation from smaller experiments, subject to the tested setup
   • It predicts results exactly for any dataset or architecture
4. Ölçeklendirme kanunu kayıp formülündeki sabit (indirgenemez) terim neyi temsil eder?
   • Bir yazılım hatası
   • Öğrenme oranı
   • GPU sayısı
   • Hiçbir modelin yenemeyeceği verinin içsel entropisi
5. Why can absolute loss reductions become smaller as compute keeps increasing under a power-law fit?
   • The reducible loss term shrinks while the loss approaches its floor
   • The data is removed after each compute increase
   • The model stops using parameters
   • Power laws require loss to increase over time
6. Hangi trend alanı basit 'daha büyük daha iyidir' ölçeklendirmesinin ötesine taşıyor?
   • GPU'lar özgürleşiyor
   • Yüksek kaliteli veri kıtlığının yanı sıra enerji ve maliyet sınırları
   • Sınırsız yüksek kaliteli metin gösteriliyor
   • Düz dikey çizgilere dönüşen kayıp eğrileri
7. What did the original Kaplan study say about architecture details such as width and depth within its tested range?
   • They always dominated model size, data, and compute
   • They made loss independent of data
   • They had relatively small effects compared with the studied scaling variables
   • They guaranteed the same performance for all architectures
8. What compute-allocation tendency did the original Kaplan paper report?
   • Every model should be trained to zero loss
   • Small models always use less compute at equal loss
   • Training data has no effect on compute allocation
   • Large models could be more sample-efficient and compute-efficient training could stop before convergence