引導式測驗 · 中等 等級
超參數調優測驗
檢查超參數與權重、基於驗證的搜尋、隨機和貝葉斯方法、Hyperband 和測試集洩漏。
問題 1 的 8
超參數與常規模型參數有何不同?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 超參數與常規模型參數有何不同?
- 超參數是在訓練之前設定的,不是直接從資料中學習的
- 超參數是在訓練期間透過梯度下降自動學習的
- 超參數僅存在於線性模型中
- 它們之間沒有真正的區別
- 哪一個通常被認為是深度學習中最有影響力的超參數調整?
- 隨機種子
- 學習率
- 資料集的文件格式
- 優化器變數的名稱
- 為什麼隨機搜尋在超參數調整方面通常優於網格搜尋?
- 它總是嘗試更多的總組合
- 它不需要驗證集
- 它更有效地對空間進行採樣,找到好的值,而無需詳盡地覆蓋每個網格點
- 它同時學習權重和超參數
- 貝葉斯優化如何選擇下一步要嘗試的超參數配置?
- 它每次都完全隨機選擇配置
- 它總是選擇層數最多的配置
- 它完全複製了之前試用的設置
- 它構建了一個模型,其中的設置看起來很有希望,並在探索不確定性與利用良好結果之間取得平衡
- 為什麼最終測試集在超參數調整期間必須保持不變?
- 因為針對它進行調整會洩漏資訊並對實際性能給出過於樂觀的估計
- 因為測試集是用來計算權重的
- 因為測試集總是小於驗證集
- 因為超參數儲存在測試集中
- 像Hyperband這樣的提前停止方案在超參數調優中解決了什麼問題?
- 它消除了對學習率的需要
- 它透過儘早終止表現不佳的試驗並向有前途的試驗提供資源來節省計算量
- 它保證模型不會過度擬合
- 它將超參數轉換為可學習的參數
- 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
- Why should tuning trials be compared on a validation set rather than the final test set?
- 測試集不能包含標籤
- 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