Вікторина, пов’язана з посібником · Середній Рівень

Вікторина щодо адаптації домену

Перевірте вихідні та цільові зсуви, зворотні градієнти домену, дефіцит цільових міток, методи без джерела та окремі цілі класифікатора.

Пов'язані напрямні шляхиАдаптація домену
Питання 1 з 8

Яку проблему в першу чергу покликана вирішити адаптація домену?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яку проблему в першу чергу покликана вирішити адаптація домену?
    • Зменшення кількості параметрів моделі
    • Прискорення множення матриць на GPU
    • Зниження продуктивності, коли дані тесту відрізняються від даних навчання
    • Автоматичне створення синтетичних навчальних міток
  2. У доменно-змагальній мережі, чого досягає рівень реверсування градієнта?
    • Він натискає на екстрактор функцій, щоб зробити джерело та ціль нерозрізненими
    • Він видаляє класифікатор домену під час висновку
    • Це подвоює швидкість навчання для швидшого навчання
    • Він перетворює результати регресії в класифікаційні мітки
  3. Що робить «неконтрольовану» адаптацію домену особливо корисною?
    • Це не вимагає навчання моделі взагалі
    • Він працює лише з даними зображення
    • Це усуває потребу у вихідному домені
    • Йому не потрібні позначені дані в цільовому домені
  4. Який сценарій є класичним прикладом зміни домену?
    • Модель, навчена та перевірена на тому самому наборі даних
    • Класифікатор пухлин, навчений на одному сканері, не працює на іншому сканері
    • Модель, яка працює швидше після квантування
    • Мережа з більшою кількістю рівнів, ніж інша мережа
  5. Що таке метод адаптації домену без вихідних кодів, щоб уникнути?
    • Доступ до початкових вихідних навчальних даних під час адаптації
    • Використання будь-якої архітектури нейронної мережі
    • Створення будь-яких вихідних прогнозів
    • Працює на сучасних графічних процесорах
  6. A team starts adaptation from a broadly pretrained model. What should it still measure?
    • Only the parameter count
    • Only source training accuracy
    • Performance on the actual target data and task
    • Whether target evaluation can be skipped
  7. Which DANN head supplies the objective to distinguish source examples from target examples?
    • The task label vocabulary
    • The domain classifier
    • The optimizer checkpoint file
    • A fixed output embedding dimension
  8. Does gradient reversal mean changing a positive class label into a negative class label?
    • Yes; every task label is negated
    • Yes; all target samples are relabeled as source
    • No; it freezes every feature weight
    • No; it reverses the domain gradient into the feature extractor