Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra thích ứng tên miền

Kiểm tra sự thay đổi nguồn và mục tiêu, độ dốc miền đảo ngược, sự khan hiếm nhãn mục tiêu, phương pháp không có nguồn và mục tiêu phân loại riêng biệt.

Đường dẫn hướng dẫn liên quanThích ứng tên miền
Câu hỏi 1 của 8

Việc điều chỉnh tên miền chủ yếu được thiết kế để giải quyết vấn đề gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Việc điều chỉnh tên miền chủ yếu được thiết kế để giải quyết vấn đề gì?
    • Giảm số lượng tham số mô hình
    • Tăng tốc độ nhân ma trận trên GPU
    • Giảm hiệu suất khi dữ liệu kiểm tra khác với dữ liệu đào tạo
    • Tự động tạo nhãn đào tạo tổng hợp
  2. Trong mạng đối thủ miền, lớp đảo ngược độ dốc thực hiện nhiệm vụ gì?
    • Nó đẩy trình trích xuất tính năng để làm cho nguồn và đích không thể phân biệt được
    • Nó xóa bộ phân loại tên miền trong quá trình suy luận
    • Nó tăng gấp đôi tốc độ học tập để đào tạo nhanh hơn
    • Nó chuyển đổi kết quả hồi quy thành nhãn phân loại
  3. Điều gì làm cho việc thích ứng miền 'không giám sát' trở nên đặc biệt hữu ích?
    • Nó không yêu cầu đào tạo mô hình nào cả
    • Nó chỉ hoạt động trên dữ liệu hình ảnh
    • Nó loại bỏ sự cần thiết của một tên miền nguồn
    • Nó không cần dữ liệu được gắn nhãn trong miền mục tiêu
  4. Kịch bản nào là ví dụ kinh điển về chuyển đổi tên miền?
    • Một mô hình được đào tạo và thử nghiệm trên cùng một tập dữ liệu
    • Trình phân loại khối u được đào tạo trên một máy quét bị lỗi trên một máy quét khác
    • Một mô hình chạy nhanh hơn sau khi lượng tử hóa
    • Mạng có nhiều lớp hơn mạng khác
  5. Phương pháp điều chỉnh tên miền 'không có nguồn' được thiết kế để tránh là gì?
    • Truy cập dữ liệu đào tạo nguồn ban đầu trong quá trình thích ứng
    • Sử dụng bất kỳ kiến trúc mạng thần kinh nào
    • Tạo ra bất kỳ dự đoán đầu ra nào
    • Chạy trên GPU hiện đại
  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