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

Câu đố tìm kiếm kiến trúc thần kinh

Xem lại không gian tìm kiếm NAS, thuật toán, chi phí tìm kiếm sớm, nới lỏng DARTS, chia sẻ trọng lượng và cảnh báo đánh giá. Kiểm tra các giả định và phạm vi.

Đường dẫn hướng dẫn liên quanTìm kiếm kiến trúc thần kinh
Câu hỏi 1 của 8

Tìm kiếm kiến ​​trúc thần kinh tự động hóa những gì?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Tìm kiếm kiến ​​trúc thần kinh tự động hóa những gì?
    • Thiết kế cấu trúc mạng nơ-ron
    • Ghi nhãn dữ liệu đào tạo
    • Làm mát máy chủ GPU
    • Viết tài liệu cho mô hình
  2. Ba thành phần nào xác định một phương thức NAS?
    • Tập dữ liệu, trình tối ưu hóa và bỏ học
    • Không gian tìm kiếm, chiến lược tìm kiếm và ước tính hiệu suất
    • Bộ mã hóa, bộ giải mã và sự chú ý
    • Bộ huấn luyện, xác nhận và kiểm tra
  3. What accelerator scale did the original reinforcement-learning NAS paper report for its large search?
    • One GPU for every NAS method
    • A fixed cost of exactly 1,000 GPU-days for every search
    • An experiment using 800 GPUs in that study
    • No accelerator use during architecture search
  4. DARTS sử dụng thủ thuật quan trọng nào để giúp tìm kiếm hiệu quả?
    • Nó đào tạo trên một ví dụ duy nhất
    • Nó loại bỏ tất cả các lớp ẩn
    • Nó chỉ sử dụng tìm kiếm ngẫu nhiên
    • Nó chuyển các lựa chọn kiến trúc rời rạc thành những lựa chọn liên tục có thể được tối ưu hóa bằng độ dốc
  5. 'Siêu mạng' trong NAS chia sẻ trọng lượng là gì?
    • Một mạng được tham số hóa quá mức chứa tất cả các kiến trúc ứng cử viên có trọng số được chia sẻ
    • Một mạng có hàng tỷ tham số
    • Mạng chỉ chạy trên siêu máy tính
    • Một bản sao lưu của mô hình
  6. What did the HURRICANE hardware-aware NAS study evaluate?
    • One architecture that is guaranteed optimal on every device
    • Tailored architectures for three hardware types under matched latency constraints
    • A language model trained without any hardware measurements
    • A method that removes latency from architecture evaluation
  7. What is one limitation of weight-sharing NAS supernets?
    • They remove all architecture choices
    • They guarantee the globally best architecture
    • The shared weights can bias architecture rankings relative to training each candidate independently
    • They do not use neural networks
  8. What does a NAS evaluation need to report for a fair comparison?
    • Only the best test score
    • The GPU brand alone
    • The model name without settings
    • Search space, compute budget, validation protocol, and final retraining setup