Bài kiểm tra điều chỉnh siêu tham số

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

1. Điều gì phân biệt siêu tham số với tham số mô hình thông thường?
   • Siêu tham số được đặt trước khi đào tạo và không được học trực tiếp từ dữ liệu
   • Siêu tham số được học tự động bằng cách giảm độ dốc trong quá trình đào tạo
   • Siêu tham số chỉ tồn tại trong mô hình tuyến tính
   • Không có sự khác biệt thực sự giữa chúng
2. Siêu tham số nào thường được coi là siêu tham số có tác động mạnh nhất đến việc điều chỉnh học sâu?
   • Hạt giống ngẫu nhiên
   • Tỷ lệ học tập
   • Định dạng tệp của tập dữ liệu
   • Tên của biến tối ưu hóa
3. Tại sao tìm kiếm ngẫu nhiên thường tốt hơn tìm kiếm dạng lưới để điều chỉnh siêu tham số?
   • Nó luôn cố gắng tổng hợp nhiều kết hợp hơn
   • Nó không yêu cầu một bộ xác nhận
   • Nó lấy mẫu không gian hiệu quả hơn, tìm ra các giá trị tốt mà không bao phủ toàn bộ mọi điểm lưới
   • Nó học các trọng số và siêu tham số cùng một lúc
4. Tối ưu hóa Bayes chọn cấu hình siêu tham số nào để thử tiếp theo như thế nào?
   • Nó chọn cấu hình hoàn toàn ngẫu nhiên mọi lúc
   • Nó luôn chọn cấu hình có nhiều lớp nhất
   • Nó sao chép chính xác cài đặt của bản dùng thử trước đó
   • Nó xây dựng một mô hình trong đó các cài đặt có vẻ hứa hẹn và cân bằng giữa việc khám phá sự không chắc chắn với việc khai thác kết quả tốt
5. Tại sao tập kiểm tra cuối cùng phải được giữ nguyên trong quá trình điều chỉnh siêu tham số?
   • Bởi vì việc điều chỉnh ngược lại sẽ làm rò rỉ thông tin và đưa ra ước tính quá lạc quan về hiệu suất thực tế.
   • Bởi vì tập kiểm tra được sử dụng để tính trọng số
   • Vì tập kiểm tra luôn nhỏ hơn tập xác thực
   • Bởi vì siêu tham số được lưu trữ trong bộ kiểm tra
6. Sơ đồ dừng sớm như Hyperband giải quyết được vấn đề gì trong việc điều chỉnh siêu tham số?
   • Nó loại bỏ sự cần thiết của một tỷ lệ học tập
   • Nó tiết kiệm điện toán bằng cách sớm loại bỏ các thử nghiệm kém hiệu quả và cung cấp tài nguyên cho những thử nghiệm có triển vọng
   • Nó đảm bảo mô hình sẽ không quá phù hợp
   • Nó chuyển đổi siêu tham số thành các tham số có thể học được
7. In Bayesian hyperparameter optimization, what role does the probabilistic surrogate model play?
   • It replaces training every candidate with a guaranteed exact score
   • It updates model weights during the final test
   • It estimates how promising configurations may be and guides the next trial
   • It labels the training examples
8. Why should tuning trials be compared on a validation set rather than the final test set?
   • The test set cannot contain labels
   • The validation set is always larger
   • The model cannot predict on a test set
   • Repeated test-set feedback would leak information and make the final estimate overoptimistic