گائیڈ سے منسلک کوئز · درمیانہ سطح
ڈومین موافقت کوئز
ٹیسٹ سورس اور ٹارگٹ شفٹس، الٹ ڈومین گریڈیئنٹس، ٹارگٹ لیبل کی کمی، سورس فری طریقے، اور الگ الگ درجہ بندی کے مقاصد۔
سوال 1 کی 8
ڈومین کی موافقت بنیادی طور پر کس مسئلے کو حل کرنے کے لیے بنائی گئی ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- ڈومین کی موافقت بنیادی طور پر کس مسئلے کو حل کرنے کے لیے بنائی گئی ہے؟
- ماڈل پیرامیٹرز کی تعداد کو کم کرنا
- GPUs پر میٹرکس ضرب کو تیز کرنا
- جب ٹیسٹ ڈیٹا ٹریننگ ڈیٹا سے مختلف ہوتا ہے تو کارکردگی میں کمی آتی ہے۔
- مصنوعی تربیتی لیبل خود بخود تیار کرنا
- ڈومین مخالف نیٹ ورک میں، گریڈینٹ ریورسل پرت کیا حاصل کرتی ہے؟
- یہ ماخذ اور ہدف کو الگ الگ کرنے کے لیے فیچر ایکسٹریکٹر کو دھکیلتا ہے۔
- یہ قیاس کے دوران ڈومین درجہ بندی کو حذف کر دیتا ہے۔
- یہ تیز تر تربیت کے لیے سیکھنے کی شرح کو دوگنا کرتا ہے۔
- یہ ریگریشن آؤٹ پٹ کو درجہ بندی کے لیبلز میں تبدیل کرتا ہے۔
- کیا چیز 'غیر زیر نگرانی' ڈومین موافقت کو خاص طور پر مفید بناتی ہے؟
- اس کے لیے کسی ماڈل ٹریننگ کی ضرورت نہیں ہے۔
- یہ صرف تصویری ڈیٹا پر کام کرتا ہے۔
- یہ سورس ڈومین کی ضرورت کو ختم کرتا ہے۔
- اسے ٹارگٹ ڈومین میں لیبل والے ڈیٹا کی ضرورت نہیں ہے۔
- کون سا منظر نامہ ڈومین شفٹ کی بہترین مثال ہے؟
- بالکل اسی ڈیٹاسیٹ پر تربیت یافتہ اور تجربہ شدہ ماڈل
- ایک سکینر پر تربیت یافتہ ٹیومر کی درجہ بندی کرنے والا دوسرے سکینر پر ناکام ہو رہا ہے۔
- ایک ماڈل جو کوانٹائزیشن کے بعد تیزی سے چلتا ہے۔
- دوسرے نیٹ ورک سے زیادہ تہوں والا نیٹ ورک
- 'ماخذ سے پاک' ڈومین موافقت کا طریقہ کیا ہے جس سے بچنے کے لیے ڈیزائن کیا گیا ہے؟
- موافقت کے دوران اصل سورس ٹریننگ ڈیٹا تک رسائی حاصل کرنا
- کسی بھی نیورل نیٹ ورک فن تعمیر کا استعمال
- کسی بھی پیداوار کی پیشن گوئی کی پیداوار
- جدید GPUs پر چل رہا ہے۔
- 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
- 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
- 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