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

Học PyTorch: Bài kiểm tra lộ trình

Xây dựng các kỹ năng PyTorch theo trình tự từ tensor và autograd đến các mô-đun, đào tạo, đánh giá, điểm kiểm tra và tối ưu hóa được đo lường.

Đường dẫn hướng dẫn liên quanLộ trình học Pytorch
Câu hỏi 1 của 8

PyTorch tự động tính toán những gì cho các phép toán tensor vi phân?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. PyTorch tự động tính toán những gì cho các phép toán tensor vi phân?
    • Chỉ dự đoán và nhãn lớp
    • Cập nhật tham số được thực hiện bởi trình tối ưu hóa
    • Độ dốc của các hoạt động khác biệt được theo dõi
    • Thứ tự lô DataLoader
  2. Tại sao phải xóa độ dốc giữa các bản cập nhật trình tối ưu hóa trong vòng lặp đào tạo thông thường?
    • Độ dốc được ghi đè trên mỗi lệnh gọi lùi
    • Các gradient tích lũy theo mặc định qua các lệnh gọi lùi
    • Các gradient được xóa tự động bởi Optimizer.step
    • Mỗi tham số chỉ nhận được một gradient một lần trong mỗi kỷ nguyên
  3. model.eval() thay đổi gì đối với các mô-đun phụ thuộc vào chế độ?
    • Nó đóng băng vĩnh viễn mọi tham số
    • Nó vô hiệu hóa autograd cho tất cả các mã theo sau
    • Nó đặt lại trạng thái tối ưu hóa và độ dốc
    • Nó thay đổi các mô-đun phụ thuộc vào chế độ như bỏ học và chuẩn hóa hàng loạt thành hành vi đánh giá
  4. Sự phân chia trách nhiệm nào giữa Dataset và DataLoader là đúng?
    • Bộ dữ liệu xác định quyền truy cập theo từng ví dụ; DataLoader phân nhóm và lặp lại các ví dụ
    • Bộ dữ liệu xác định các lớp mô hình; DataLoader tính toán tổn thất
    • Bộ dữ liệu lưu trữ trạng thái tối ưu hóa; DataLoader cập nhật độ dốc
    • Bộ dữ liệu chọn một điểm kiểm tra; DataLoader thay đổi chế độ đánh giá
  5. Từ điển trạng thái mẫu chứa những gì?
    • Kiến trúc Python được tuần tự hóa và tất cả mã nguồn
    • Các giá trị tham số và bộ đệm để tải vào mô-đun được tạo lại
    • Toàn bộ tập dữ liệu huấn luyện và định nghĩa phân chia
    • Báo cáo đánh giá và số liệu thử nghiệm cuối cùng
  6. Tại sao tải và truyền dữ liệu hồ sơ cùng với tính toán GPU?
    • Đường dẫn có thể bị giới hạn bởi việc chuẩn bị hoặc chuyển giao đầu vào, không chỉ các hạt nhân mô hình
    • Thời gian GPU luôn chiếm ưu thế khi model ở trên thiết bị
    • Tải dữ liệu không thể ảnh hưởng đến thông lượng từ đầu đến cuối
    • Chỉ số lớp xác định độ trễ yêu cầu
  7. Thiết kế đánh giá nào phù hợp khi điều chỉnh điểm kiểm tra PyTorch?
    • Chọn điểm kiểm tra tốt nhất trên dữ liệu thử nghiệm cuối cùng nhiều lần
    • Chỉ đào tạo và báo cáo theo cùng một đợt
    • Sử dụng nhãn thử nghiệm để đặt mức tăng
    • Sử dụng dữ liệu xác nhận để lựa chọn và giữ riêng bài kiểm tra cuối cùng
  8. Điều gì nên xảy ra trước khi tối ưu hóa nâng cao như độ chính xác hỗn hợp hoặc quá trình biên dịch?
    • Một cơ sở chính xác và bằng chứng hồ sơ
    • Biên dịch trước khi đo đường cơ sở
    • Kích hoạt độ chính xác hỗn hợp cho mọi dtype
    • Tăng kích thước lô mà không cần kiểm tra bộ nhớ