引导式测验 · 中等 等级
梯度下降测验
回顾简单的梯度下降方向、学习率步长、采样梯度、动量、Adam 适应、数值更新和驻点限制。
问题 1 的 8
在普通梯度下降中，相对于目标梯度使用哪个方向？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 在普通梯度下降中，相对于目标梯度使用哪个方向？
- 负梯度方向
- 正梯度方向
- 根据定义任意垂直方向
- 不评估任何梯度而选择的方向
- 学习率控制什么？
- 模型中的层数
- 模型可以预测多少类
- 优化期间所采取的每个步骤的大小
- 使用的训练数据量
- 小批量梯度与完整选择的训练数据目标有何关系？
- 它没有使用任何示例
- 它是在批次上计算的，并用作全数据梯度的估计
- 它必须等于每一步的全数据梯度
- 它只存在于图像中
- 学习率太大会导致什么问题？
- 训练变得极其缓慢但稳定
- 该模型忽略梯度
- 数据集已损坏
- 模型超出最小值并且可能出现偏差
- 动量会在以后的梯度下降更新中携带哪些信息？
- 仅模型的词汇量大小
- 永久删除所有早期梯度
- 早期梯度的运行加权组合
- 每个权重的不相关随机重置
- 与普通梯度下降相比，Adam 优化器的关键特征是什么？
- 它调整每个参数的有效学习率
- 它对每个参数使用单个固定步骤
- 它不需要渐变
- 它只训练输出层
- 对于旧权重为二、梯度为三、学习率为十分之一的普通梯度下降，新权重是多少？
- 两分三
- 一点九七
- 三
- 一点七
- 对于非凸训练目标，零梯度无法证明什么？
- 在评估点处梯度值为零
- 当前点是全局最小值
- 该目标已在当地进行了评估
- 驻点条件成立