Вікторина, пов’язана з посібником · Середній Рівень

Тест на гіпотезу лотерейного квитка

Перевірте своє розуміння лотерейних квитків, ініціалізації, скорочення та обмежень тверджень щодо розріджених нейронних мереж.

Пов'язані напрямні шляхиГіпотеза лотерейного квитка
Питання 1 з 8

Що таке «виграшний квиток» у цій гіпотезі?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що таке «виграшний квиток» у цій гіпотезі?
    • Розріджена підмережа, яка, навчена з початкової ініціалізації, відповідає повній мережі
    • Мережа з більшою кількістю параметрів, ніж зазвичай
    • Попередньо підготовлена модель, завантажена з Інтернету
    • Випадково вгаданий набір гіперпараметрів
  2. In the original lottery-ticket experiments, what was paired with the discovered sparse mask when retraining a ticket?
    • Fresh random values for every surviving weight
    • The surviving weights’ matched original initialization
    • A different architecture for each pruning round
    • The final trained weights with no resetting
  3. Хто запропонував гіпотезу лотерейного квитка?
    • Гудфеллоу (2014)
    • Крижевський, Суцкевер, Хінтон (2012)
    • Франкл і Карбін (2018)
    • Сільвер і колеги (2016)
  4. Which procedure did the original Lottery Ticket Hypothesis paper use to identify winning tickets?
    • Randomly remove a fixed half of all weights once
    • Iterative magnitude pruning with a reset to the original initialization
    • Add dropout after each pruning round
    • Increase the learning rate after every epoch
  5. How should the idea that overparameterization helps optimization find a trainable sparse structure be described?
    • A conjecture or proposed explanation, not a result established by the original experiments
    • A theorem proven for every neural-network architecture
    • A guarantee that all weights can be removed without loss
    • A claim that pruning eliminates the need for training data
  6. What does a strong lottery-ticket result claim in its theoretical setting?
    • Every randomly initialized network already solves any task
    • A sufficiently overparameterized randomly initialized network can contain a pruned subnetwork that approximates a target without further weight training
    • Pruning always preserves the trained model’s accuracy
    • A sparse network never needs data
  7. What does iterative magnitude pruning remove at each pruning step?
    • The training examples with the lowest labels
    • The neurons with the most outgoing connections
    • Weights with the smallest magnitudes
    • All weights in the final layer
  8. Which datasets were used in the original paper’s reported lottery-ticket experiments?
    • ImageNet and COCO only
    • LibriSpeech and Common Voice
    • SQuAD and GLUE
    • MNIST and CIFAR-10