Главная / Искусственный интеллект и робототехника / Нейрокомпьютерные системы / Тест 7

Нейрокомпьютерные системы - тест 7

Упражнение 1:

Номер 1

Какие ограничения возникают при попытке осуществить обучение нейронной сети как решение задачи оптимизации?

Ответ:

(1) астрономическое число параметров

(2) необходимость высокого параллелизма при обучении

(3) необходимость найти достаточно широкую область, в которой значения всех минимизируемых функций близки к минимальным

(4) необходимость использования алгоритмов целочисленной оптимизации

Номер 2

Какие методы используются для учета ограничений параметров сети при обучении?

Ответ:

(1) метод штрафных функций

(2) метод проекций

(3) партан-метод

Номер 3

Каких значений может достигать число параметров нейронной сети?

Ответ:

(1) не более 10³

(2) около 10⁵

(3) более 10⁸

Упражнение 2:

Номер 1

В чем преимущество метода случайного выбора направления минимизации оценки?

Ответ:

(1) быстродействие

(2) простота

Номер 2

Какой из партан-методов дает лучшие результаты обучения сети?

Ответ:

(1) итерационный партан-метод

(2) модифицированный партан-метод

Номер 3

Чем обусловлена неэффективность алгоритма наискорейшего спуска?

Ответ:

(1) большой объем вычислений

(2) неиспользование информации о кривизне функции оценки

(3) резкое замедление минимизации в окрестности точки оптимального решения

Упражнение 3:

Номер 1

 В чем заключается сложность использования метода Ньютона для обучения нейронных сетей?

Ответ:

(1) низкая точность вычислений

(2) большие вычислительные затраты

(3) большой объем используемой памяти

Номер 2

Чем обусловлено преимущество квазиньютоновских методов перед методом наискорейшего спуска?

Ответ:

(1) использованием результатов предыдущего шага

(2) использованием матрицы вторых производных оценки

Номер 3

Когда производится рестарт алгоритма сопряженных градиентов?

Ответ:

(1) когда число выполненных шагов минимизации превышает заданный порог

(2) когда движение вдоль очередного выбранного направления спуска приводит к слишком маленькому шагу либо вообще не дает улучшения

Упражнение 4:

Номер 1

В каких случаях BFGS-метод превращается в метод сопряженных градиентов?

Ответ:

(1) когда матрица вторых производных функции оценки положительно определена

(2) когда новый градиент практически ортогонален предыдущему направлению спуска

Номер 2

Какие этапы подготовки предшествуют обучению?

Ответ:

(1) создание обучающей выборки

(2) выбор функции оценки

(3) контрастирование нейронной сети

(4) предобработка входных данных

Номер 3

Как обеспечить ортогональность нового градиента предыдущему направлению спуска в BFGS-методе?

Ответ:

(1) как можно точнее проводить одномерную оптимизацию в поиске шага

(2) учесть изменение градиента на предыдущем шаге

Упражнение 5:

Номер 1

Как обеспечить приобретение нейрокомпьютером новых навыков без существенной утраты старых?

Ответ:

(1) нужно найти общую точку минимума большого числа функций

(2) следует искать такую точку минимума оценки, что в достаточно большой ее окрестности значения оценки незначительно отличаются от минимума

Номер 2

Каковы требования к реализации наиболее трудоемких этапов алгоритма обучения нейрокомпьютера?

Ответ:

(1) распараллеливание вычислений

(2) снижение разрядности обрабатываемых данных

(3) использование нейронной сети

Номер 3

Каким образом в квазиньютоновских и партан-методах выбирается начальное направление спуска?

Ответ:

(1) случайным образом

(2) методом Ньютона

(3) по антиградиенту функции оценки

Главная / Искусственный интеллект и робототехника / Нейрокомпьютерные системы / Тест 7