گائیڈ سے منسلک کوئز · درمیانہ سطح
بقایا نیٹ ورکس کوئز
ریزیڈیوئل بلاک کمپیوٹیشن، شناختی شارٹ کٹس، گریڈینٹ پاتھز، امیج نیٹ دور کی گہرائی، اور عصبی فن تعمیر میں بقایا جات دوبارہ کیسے آتے ہیں اس کا جائزہ لیں۔
سوال 1 کی 8
بقایا کنکشن نے خاص طور پر کون سا مسئلہ حل کیا؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- بقایا کنکشن نے خاص طور پر کون سا مسئلہ حل کیا؟
- گہرے سادہ نیٹ ورکس کی تربیت ہلکے سے بدتر ہے (انحطاط)
- تصاویر بہت کم ریزولیوشن ہیں۔
- لیبل شدہ تربیتی ڈیٹا کی کمی
- GPUs کی میموری ختم ہو رہی ہے۔
- What does a basic residual block compute when input and output dimensions match?
- Multiplies the input by itself
- Adds the block’s learned residual function to its input, y = F(x) + x
- Drops the input and returns zero
- Sorts input channels alphabetically
- ٹریننگ کے دوران کنکشن کو چھوڑنے سے گراڈینٹ کی مدد کیوں ہوتی ہے؟
- They eliminate the need to train weights
- They force every layer to output zero
- They provide an additional direct path for gradient flow around the learned transformation
- They make deep networks immune to all optimization problems
- How deep was the deepest ResNet evaluated in the original ImageNet paper?
- 18 layers
- 34 layers
- 50 layers
- 152 تہیں
- اگر ایک بقایا بلاک کی پرتیں F(x) = 0 سیکھتی ہیں، تو بلاک کیا کرتا ہے؟
- یہ مؤثر طریقے سے ان پٹ کو غیر تبدیل شدہ (شناخت) کے ذریعے منتقل کرتا ہے
- یہ صفر کو آؤٹ پٹ کرتا ہے اور نیٹ ورک کو توڑ دیتا ہے۔
- یہ ان پٹ کو دوگنا کرتا ہے۔
- یہ آؤٹ پٹ کو بے ترتیب بناتا ہے۔
- What residual connection does the Transformer paper describe around attention and feed-forward sublayers?
- Replace the sublayer input with a class label
- Add each sublayer’s output to the sublayer input through a residual connection
- Average every token globally at the output only
- Remove the residual stream after self-attention
- When a residual block changes channel dimensions, what can a projection shortcut do?
- Convert the input into a text sequence
- Remove the residual branch
- Map the shortcut input to the dimensions required for addition
- Guarantee that every gradient has unit magnitude
- What sequence of convolutions defines the original ResNet bottleneck block?
- Three 3×3 convolutions only
- A 3×3 convolution followed by two fully connected layers
- A pooling layer followed by two transposed convolutions
- A 1×1, then 3×3, then 1×1 convolution