Тесты СинергияАртём Хелп
Артём Help онлайнПолучить расчёт
Бесплатно оценим сроки и стоимостьОтправить задание в Telegram
Технологии искусственного интеллекта.ти(dor_дБАК)_ПМИ

Технологии искусственного интеллекта.ти(dor_дБАК)_ПМИ

Просмотрите все вопросы и варианты бесплатно. Правильные ответы скрыты и открываются только после получения доступа.

84 вопроса Вариант 1 Доступ 7 дней
Содержание теста

Вопросы и варианты

Без отметок и подсказок к правильным ответам

Вопрос 1

Что представляет собой «искусственный интеллект» как научная дисциплина?

  1. Направление робототехники, ориентированное на конструирование механических систем
  2. Область информатики, занимающаяся созданием систем, способных выполнять задачи, требующие человеческого интеллекта
  3. Раздел компьютерной графики, изучающий генерацию изображений
  4. «Мехатроника», объединяющая механические и электронные компоненты
Вопрос 2

Какие задачи относятся к классическим задачам «машинного обучения»?

  1. Компиляция кода, рендеринг сцен, трассировка лучей
  2. Вёрстка документов, орфографическая проверка, транслитерация
  3. Разработка сайтов, дизайн интерфейсов, администрирование сетей
  4. Классификация, регрессия, кластеризация
Вопрос 3

Что понимается под термином «обучение с учителем» в машинном обучении?

  1. Обучение без данных и обратной связи
  2. Обучение без разметки с выявлением скрытых структур
  3. Обучение на размеченных данных, для которых известны целевые ответы
  4. Обучение на текстовых данных
Вопрос 4

Какое утверждение правильно сравнивает обучение с учителем и обучение без учителя?

  1. Обучение без учителя не требует данных, а обучение с учителем требует больших объемов данных
  2. Обучение с учителем используется только в задачах регрессии, а обучение без учителя — только в задачах классификации
  3. Обучение с учителем опирается на размеченные данные с известными ответами, тогда как обучение без учителя ищет закономерности в данных без эталонных меток
  4. Обучение без учителя всегда эффективнее при работе с изображениями
Вопрос 5

Что такое «обучение с подкреплением» в контексте искусственного интеллекта?

  1. Обучение только на теоретических материалах без практики
  2. Обучение на готовых примерах с правильными ответами
  3. Обучение, где агент взаимодействует со средой и получает награду за правильные действия
  4. Процесс многократного повторения одного и того же материала
Вопрос 6

Какие факторы способствовали современному развитию «искусственного интеллекта»?

  1. Рост вычислительных мощностей, появление больших данных, развитие алгоритмов
  2. Появление новых языков, рост зарплат разработчиков, сокращение учебных программ
  3. Повышение цен на оборудование, дефицит данных, сокращение исследований
  4. Расширение киносъемок, популяризация в СМИ, рост числа фестивалей технологий
Вопрос 7

Что понимается под термином «нейронные сети» в контексте искусственного интеллекта?

  1. Математические модели из искусственных нейронов и связей между ними, вдохновленные работой мозга
  2. Физические соединения компьютерных устройств
  3. Социальные платформы для исследователей нейробиологии
  4. Сетевые инфраструктуры электропитания вычислительных центров
Вопрос 8

Какие области применения «искусственного интеллекта» распространены сегодня?

  1. Печать документов, архивирование, нумерация страниц
  2. Медицина, финансы, автоматизация/робототехника, распознавание образов
  3. Геймдев, киберспорт, стриминг видео
  4. Системное администрирование, кабельная разводка, ремонт ПК
Вопрос 9

Что представляет собой «машинное обучение» как область искусственного интеллекта?

  1. Обучение людей работе на компьютере
  2. Совокупность методов, позволяющих компьютерам обучаться на данных без явного программирования
  3. Ремонт и обслуживание компьютерной техники
  4. Проектирование машин и механизмов
Вопрос 10

Для каких целей и каким образом искусственный интеллект используется в медицине?

  1. Для административных задач: запись на прием, выдача талонов, начисление премий
  2. Для клинических задач: путем анализа медицинских изображений, помощи в диагностике, прогнозирования исходов лечения
  3. Для кадрового учета: ведение расписаний, учет отпусков, формирование графиков дежурств
  4. Для хозяйственных нужд: инвентаризация оборудования, закупка реактивов, логистика расходников
Вопрос 11

Что такое «большие данные» и как они связаны с искусственным интеллектом?

  1. Данные, занимающие много места на диске
  2. Большие объемы разнообразных данных, применяемые для обучения моделей искусственного интеллекта
  3. Данные, которые нельзя сжать архиватором
  4. Информация лишь о крупнейших предприятиях
Вопрос 12

Какие профессии наиболее востребованы в сфере «искусственного интеллекта»?

  1. Системный администратор, инженер по сетям, специалист техподдержки
  2. Веб-дизайнер, верстальщик, UX‑копирайтер
  3. Data Scientist, инженер «машинного обучения», исследователь в области ИИ
  4. Тестировщик ПО, аналитик по QA, инженер по нагрузочному тестированию
Вопрос 13

Что понимается под термином «глубокое обучение»?

  1. Обучение в течение длительного времени
  2. Разновидность машинного обучения, использующая многослойные нейронные сети
  3. Изучение глубоких философских вопросов
  4. Применение линейных моделей для сложных задач
Вопрос 14

Какие существуют основные парадигмы «машинного обучения»?

  1. Теория и практика
  2. Утреннее и вечернее обучение
  3. Обучение с учителем, обучение без учителя и обучение с подкреплением
  4. Школьное и вузовское обучение
Вопрос 15

Что представляет собой история развития «искусственного интеллекта»?

  1. Короткий период длиной в несколько лет
  2. Длительный путь от первых теоретических работ до современных нейросетей, включающий периоды подъемов и спадов интереса
  3. История преимущественно конструирования роботов
  4. История игровых ИИ без влияния на другие области
Вопрос 16

Что такое «переподгонка (overfitting)» в машинном обучении?

  1. Недообучение модели из за недостаточной сложности
  2. Метод расширения выборки с помощью преобразований
  3. Чрезмерное соответствие модели обучающим данным, ухудшающее обобщающую способность
  4. Процедура снижения сложности модели путем штрафов
Вопрос 17

Что понимается под термином «признаковое пространство»?

  1. Множество всех возможных векторов признаков, описывающих объекты
  2. Память графического процессора для вычислений
  3. Набор целевых меток для классификации
  4. Коллекция необработанных исходных данных без структурирования
Вопрос 18

Каким набором данных оценивают итоговое качество модели после обучения и настройки гиперпараметров?

  1. Обучающий набор
  2. Валидационный набор
  3. Тестовый набор
  4. Промышленный набор
Вопрос 19

Что представляет собой искусственный нейрон с математической точки зрения?

  1. Сумматор, который объединяет входные сигналы без учёта их весов — неверно, правдоподобно
  2. Линеаризатор, всегда выдающий линейную комбинацию без нелинейности
  3. Математическая функция, которая получает входные сигналы, умножает их на веса, суммирует и пропускает через функцию активации
  4. Пороговый элемент без возможности настройки смещения
Вопрос 20

Какую роль выполняют веса в искусственном нейроне?

  1. Функцию масштабирования выходного сигнала после функции активации
  2. Функцию определения значимости каждого входного сигнала для итогового результата
  3. Функцию задания порога срабатывания вне зависимости от входов
  4. Функцию управления скоростью обучения на слое
Вопрос 21

Что такое функция активации нейрона?

  1. Функция, определяющая выход нейрона в зависимости от взвешенной суммы входов
  2. Функция нормализации, приводящая выходы ко всему диапазону входных данных
  3. Функция, устраняющая смещение, чтобы сумма была близка к нулю
  4. Функция, вычисляющая среднее входных сигналов
Вопрос 22

Какие функции активации наиболее распространены в современных нейросетях?

  1. Параболическая (quad), арктангенс, бинарный шаг
  2. ReLU, сигмоида, гиперболический тангенс (tanh)
  3. ELU, Leaky ReLU, Softplus
  4. Линейная и логарифмическая как базовые
Вопрос 23

Что представляет собой процесс прямого распространения сигнала в нейронной сети?

  1. Обновление весов на основе текущего градиента
  2. Обратное вычисление сигналов для оценки чувствительности выходов к входам
  3. Последовательное вычисление выходов слоёв от входного к выходному для получения предсказаний
  4. Нормализацию входных признаков перед обучением
Вопрос 24

Каким образом происходит обучение нейронной сети?

  1. Случайная инициализация весов после каждой эпохи
  2. Корректировка весов на основе ошибки между предсказанным и правильным ответом
  3. Полная замена архитектуры при ухудшении метрики
  4. Копирование весов из другой сети без учёта задачи
Вопрос 25

Что такое функция потерь в контексте обучения нейросети?

  1. Показатель того, сколько нейронов вышло из строя
  2. Метрика, оценивающая, насколько сильно предсказания модели отличаются от истинных значений
  3. Процедура удаления неправильно работающих нейронов
  4. Способ сохранения промежуточных результатов обучения
Вопрос 26

Какую функцию выполняет метод обратного распространения ошибки?

  1. Функцию передачи целевых меток на входные слои
  2. Функцию отмены последних изменений весов при переобучении
  3. Функцию вычисления градиентов функции потерь по весам сети для последующего обновления
  4. Функцию сохранения резервных копий весов после каждой итерации
Вопрос 27

Что представляет собой градиентный спуск как метод оптимизации?

  1. Алгоритм точного нахождения глобального минимума за конечное число шагов
  2. Итеративный поиск минимума функции потерь в направлении, противоположном градиенту
  3. Метод уменьшения нормы весов путём регуляризации
  4. Вычисление градиента по мини-батчу без обновления весов
Вопрос 28

Какие существуют разновидности архитектур нейронных сетей?

  1. Однослойные и двуслойные
  2. Полносвязные, сверточные, рекуррентные, автоэнкодеры и другие
  3. Байесовские, капсульные, графовые
  4. Генеративные и дискриминативные
Вопрос 29

Что такое полносвязный слой в нейронной сети?

  1. Слой, где каждый нейрон связан со всеми нейронами предыдущего слоя
  2. Слой, где каждый нейрон связан только между соседними нейронами
  3. Слой без обучаемых параметров
  4. Слой, где каждый нейрон связан только с подмножеством признаков по маске
Вопрос 30

Как выбирается количество слоев в нейронной сети?

  1. Предопределяется выбором функции активации
  2. В зависимости от сложности задачи и данных, часто экспериментально
  3. Всегда равно трём
  4. Равно количеству признаков во входных данных
Вопрос 31

Что понимается под термином «гиперпараметры» нейронной сети?

  1. Параметры, задаваемые до обучения и не меняющиеся в процессе (скорость обучения, количество слоев и т.д.)
  2. Веса и смещения нейронов
  3. Названия слоев сети
  4. Параметры, которые сеть подбирает автоматически во время обратного прохода
Вопрос 32

Какую функцию выполняет смещение (bias) в искусственном нейроне?

  1. Функцию определения скорости сходимости оптимизатора
  2. Функцию сдвига функции активации путем добавления константы к взвешенной сумме
  3. Функцию управления нормализацией признаков на входе
  4. Функцию устранения переобучения путем штрафования весов
Вопрос 33

Что представляет собой пакетное обучение (batch learning) нейронной сети?

  1. Обучение на одном примере за раз с обновлением после каждого примера
  2. Обновление весов сети после обработки группы (пакета) примеров
  3. Обновление весов только после полной эпохи по всему датасету
  4. Обучение, при котором батч формируется только из правильно классифицированных примеров
Вопрос 34

Что понимается под термином «переобучение» нейронной сети?

  1. Чрезмерное увеличение скорости обучения
  2. Ситуация, когда модель хорошо запоминает обучающие данные, но плохо обобщает на новые
  3. Полное отсутствие ошибки на валидационной выборке
  4. Линейная зависимость между признаками во всех слоях
Вопрос 35

Какая роль у регуляризации L2 в обучении нейронной сети?

  1. Увеличение количества слоёв в архитектуре
  2. Преобразование входных признаков к одному диапазону
  3. Ускорение прямого распространения сигнала
  4. Снижение величины весов за счёт добавления штрафа к функции потерь
Вопрос 36

Что представляет собой мини-батч в процессе обучения нейронной сети?

  1. Один полный проход по всему датасету
  2. Набор всех признаков одного объекта
  3. Фиксированная последовательность слоёв в модели
  4. Случайная подвыборка примеров, используемая для одного шага обновления весов
Вопрос 37

Для чего предназначены сверточные нейронные сети?

  1. Для обработки текстовой информации
  2. Для эффективной обработки данных с сетчатой структурой, особенно изображений
  3. Для аудиозаписей
  4. Для табличных данных
Вопрос 38

Что представляет собой операция свертки в контексте обработки изображений?

  1. Скручивание изображения в трубочку
  2. Применение фильтра (ядра) к изображению для выделения признаков
  3. Уменьшение яркости изображения
  4. Поворот изображения на 90 градусов
Вопрос 39

Какую задачу выполняет сверточный слой в нейронной сети?

  1. Задачу увеличения разрешения изображения
  2. Задачу добавления цвета к черно-белому изображению
  3. Задачу извлечения признаков из входных данных (грани, текстуры, формы)
  4. Задачу сжатия изображения в архив
Вопрос 40

Какую роль выполняют фильтры (ядра) свертки в распознавании изображений?

  1. Роль случайного искажения изображения для увеличения устойчивости к шумам
  2. Роль обнаружения определенных типов признаков: на ранних слоях — простые признаки (линии, углы, текстуры), на глубоких — сложные (формы, части объектов, целые объекты)
  3. Роль удаления лишних пикселей для снижения размерности данных
  4. Роль раскрашивания изображения для выделения контрастных областей
Вопрос 41

Что такое карта признаков «feature map» в сверточной сети?

  1. Результат применения фильтра свертки к входному изображению
  2. Географическая карта местности
  3. Схема расположения слоев в сети
  4. Изображение с нанесенными на него заметками
Вопрос 42

Для чего используется слой подвыборки («пулинг», «pooling») в сверточных сетях?

  1. Для увеличения размера изображения
  2. Для уменьшения пространственной размерности карт признаков и снижения вычислительной сложности
  3. Для добавления новых цветовых каналов
  4. Для поворота изображения
Вопрос 43

Что такое субдискретизация в контексте сверточных сетей?

  1. Удаление части нейронов из сети
  2. Добавление новых слоев в сеть
  3. Увеличение частоты дискретизации сигнала
  4. Процесс уменьшения размерности данных, например, с помощью «пулинга»
Вопрос 44

Какие типы «пулинга» существуют в сверточных нейронных сетях?

  1. Средний пулинг
  2. Максимальный пулинг
  3. Минимальный пулинг
  4. Случайный пулинг
Вопрос 45

Что представляет собой архитектура сверточной нейронной сети?

  1. Чередование сверточных слоев, слоев «пулинга» и полносвязных слоев в конце
  2. Случайный набор слоев
  3. Один сверточный слой
  4. Полносвязные слои
Вопрос 46

Какие известные архитектуры сверточных сетей существуют?

  1. «Perceptron»
  2. «Word2Vec»
  3. «LSTM»
  4. «AlexNet»
Вопрос 47

Что такое глубина сверточной сети?

  1. Количество параметров модели
  2. Количество слоев в сети
  3. Число карт признаков на выходе последнего свёрточного слоя
  4. Длина входного вектора
Вопрос 48

Каким способом сверточные сети обрабатывают цветные изображения?

  1. Способом преобразования их в черно-белые
  2. Способом игнорирования цвета и обработки только контуров
  3. Способом смешивания всех цветов в один
  4. Способом обработки каждого цветового канала (RGB) отдельно или совместно с помощью трехмерных фильтров
Вопрос 49

Что понимается под термином «трансферное обучение» применительно к сверточным сетям?

  1. Использование предобученной сети для новой задачи с дообучением
  2. Предварительное обучение сети на синтетических данных
  3. Перенос натренированных весов в другую модель без их адаптации под новую задачу
  4. Копирование архитектуры сети без её весов
Вопрос 50

Для чего используются остаточные соединения (ResNet) в сверточных сетях?

  1. Для ускорения инференса путём уменьшения числа слоёв
  2. Для борьбы с проблемой затухания градиента в очень глубоких сетях
  3. Для повышения разрешения входных изображений
  4. Для объединения выходов параллельных ветвей
Вопрос 51

Что такое «пэддинг» в сверточных нейронных сетях?

  1. Увеличение шага фильтра при обработке изображения
  2. Случайное обрезание краев изображения
  3. Сжатие канального пространства с помощью 1×1-свертки
  4. Добавление пикселей (например, нулей) по границам входа для сохранения размерности или контроля размера выхода
Вопрос 52

Каким образом шаг свертки («stride») влияет на карту признаков?

  1. Таким образом, что при увеличении шага (stride > 1) пространственное разрешение карты признаков уменьшается
  2. Таким образом, что увеличение шага всегда увеличивает количество каналов
  3. Таким образом, что размер карты признаков не зависит от шага
  4. Таким образом, что увеличение шага автоматически устраняет переобучение
Вопрос 53

Для чего используется слой пакетной нормализации («batch normalization») в сверточных сетях?

  1. Для стабилизации распределения активаций и ускорения обучения за счет нормализации по мини-пакету
  2. Для полного удаления избыточных параметров без потери качества
  3. Для извлечения пространственных признаков вместо сверточных фильтров
  4. Для преобразования «RGB» в градации серого
Вопрос 54

Что представляет собой оптимизация в контексте обучения нейронных сетей?

  1. Настройка гиперпараметров для улучшения визуализации обучающих кривых
  2. Настройка параметров сети для минимизации функции потерь
  3. Подбор стратегии логирования для ускорения диагностики обучения
  4. Выбор формата данных для оптимизации загрузки батчей
Вопрос 55

Какую роль играет скорость обучения (learning rate) в процессе оптимизации?

  1. Определение величины шага при обновлении весов
  2. Задание количества эпох обучения
  3. Выбор размера мини‑батча
  4. Установка силы L2‑регуляризации
Вопрос 56

Какие проблемы могут возникнуть при неправильном выборе скорости обучения?

  1. Медленная сходимость или расходимость процесса обучения
  2. Рост вычислительной нестабильности из‑за неправильной инициализации
  3. Деградация качества из‑за смещения выборки
  4. Увеличение времени загрузки данных из‑за формата датасета
Вопрос 57

Что такое метод импульса (momentum) в оптимизации?

  1. Метод динамического изменения скорости обучения
  2. Метод ускорения сходимости, учитывающий предыдущие обновления градиента
  3. Метод усреднения градиентов по нескольким моделям ансамбля
  4. Метод нормализации параметров перед каждым шагом оптимизатора
Вопрос 58

Что понимается под термином «переобучение» (overfitting) нейронной сети?

  1. Снижение ошибки на обучении при одновременном снижении на валидации
  2. Запоминание обучающих данных с ухудшением обобщения на новых примерах
  3. Достижение плато по функции потерь на обучении и валидации
  4. Равновесие между смещением и дисперсией на тестовой выборке
Вопрос 59

Каким образом можно бороться с переобучением нейронной сети?

  1. Снижение размера обучающей выборки
  2. Увеличение числа эпох без изменений других настроек
  3. Регуляризация, Dropout, увеличение объема данных, ранняя остановка
  4. Усиление сложности модели без изменения данных
Вопрос 60

Что представляет собой метод регуляризации в нейронных сетях?

  1. Регулирование частоты шагов оптимизатора
  2. Настройка расписания скорости обучения
  3. Контроль распределения признаков на входе
  4. Приемы для предотвращения переобучения путем добавления ограничений на параметры/модель
Вопрос 61

Какую роль выполняет Dropout в борьбе с переобучением?

  1. Жесткое удаление нейронов с низкой средней активностью
  2. Случайное обнуление части активаций во время обучения для предотвращения коадаптации
  3. Отбрасывание части обучающих примеров из датасета
  4. Принудительное обнуление градиентов при взрыве
Вопрос 62

Что такое L1 и L2 регуляризация?

  1. Методы подбора лучшей метрики качества
  2. Добавление в функцию потерь штрафов, пропорциональных нормам L1 и L2 весов
  3. Методы выбора числа слоев и нейронов
  4. Приемы нормализации признаков в батче
Вопрос 63

Каким образом ранняя остановка (early stopping) помогает в обучении?

  1. Прекращение обучения при отсутствии улучшения метрики/потерь на валидации в течение заданного патенса
  2. Остановка обучения по достижении фиксированного времени
  3. Остановка обучения после первой успешно пройденной эпохи
  4. Предварительная остановка оптимизатора перед каждой эпохой
Вопрос 64

Что представляет собой пакетная нормализация (batch normalization)?

  1. Нормализация входных данных по всему датасету до обучения
  2. Нормализация входов слоя для ускорения и стабилизации обучения
  3. Пакетная упаковка данных для эффективной загрузки в память
  4. Проверка целостности пакетов данных в конвейере
Вопрос 65

Для чего используется градиентный клиппинг (gradient clipping)?

  1. Для удаления малых градиентов с целью ускорения обучения
  2. Для проекции градиента на допустимое множество параметров
  3. Для предотвращения «взрыва» градиентов путем ограничения их нормы величины
  4. Для обрезки редких связей в разреженных слоях
Вопрос 66

Что понимается под термином «сходимость» нейронной сети?

  1. Совпадение предсказаний разных моделей в ансамбле
  2. Достижение состояния, когда дальнейшие итерации не улучшают целевую метрику/функцию потерь
  3. Сведение параметров к одной и той же инициализации
  4. Согласование значений метрик между обучением и тестом по величине
Вопрос 67

Что такое «разогрев» скорости обучения (learning rate warmup)?

  1. Резкое увеличение скорости обучения в первой эпохе
  2. Циклическое изменение скорости обучения вокруг базового значения
  3. Пауза обновления весов перед началом обучения
  4. Стадия плавного увеличения скорости обучения в начале обучения для стабилизации оптимизации
Вопрос 68

Какой подход к регуляризации реализован в AdamW по сравнению с L2‑штрафом в Adam?

  1. Увеличение шага обучения при уменьшении функции потерь
  2. Применение L1‑штрафа к всем параметрам модели
  3. Нормализация активаций внутри слоя
  4. Декуплинг (отделение) weight decay от градиентного шага в обновлении параметров
Вопрос 69

Что представляет собой косинусное расписание скорости обучения (cosine annealing)?

  1. Линейное убывание скорости обучения до нуля
  2. Экспоненциальное убывание скорости обучения с постоянной базой
  3. Плавное изменение скорости обучения по косинусной кривой с постепенным уменьшением к минимуму
  4. Шаговое уменьшение скорости обучения через фиксированное число эпох
Вопрос 70

Что представляет собой библиотека «TensorFlow»?

  1. Библиотека визуализации данных
  2. Открытая библиотека для машинного обучения, разработанная Google
  3. Редактор исходного кода
  4. Фреймворк для веб‑разработки
Вопрос 71

Что позволяет делать библиотека PyTorch?

  1. Создавать веб‑приложения и серверные решения
  2. Редактировать и обрабатывать офисные документы
  3. Работать с электронными таблицами и базами данных
  4. Создавать и обучать нейронные сети любой сложности, выполнять автоматическое дифференцирование, проводить вычисления на GPU, развертывать модели в промышленную среду
Вопрос 72

Для чего используется библиотека «Keras»?

  1. Для создания компьютерной графики
  2. Для быстрого прототипирования нейронных сетей как высокоуровневый API
  3. Для изучения иностранных языков
  4. Для создания музыкальных эффектов
Вопрос 73

Что представляет собой библиотека «Scikit-learn»?

  1. Библиотека для глубоких нейронных сетей
  2. Библиотека для классических алгоритмов машинного обучения (классификация, регрессия, кластеризация и др.)
  3. Библиотека для 3D-моделирования
  4. Библиотека для видеомонтажа
Вопрос 74

Что такое высокоуровневый API в контексте библиотек для нейросетей?

  1. Низкоуровневый интерфейс для управления устройствами памяти
  2. Упрощённый интерфейс для быстрого создания моделей без погружения в детали реализации
  3. Спецификация аппаратных шин
  4. Метод повышения тактовой частоты процессора
Вопрос 75

Какой формат данных обычно НЕ используется для работы с библиотеками машинного обучения?

  1. Массив «NumPy»
  2. Тензор
  3. Специализированный формат наподобие «TFRecord»
  4. Фоторедакторский формат PSD
Вопрос 76

Что представляет собой тензор в контексте библиотек глубокого обучения (TensorFlow, PyTorch)?

  1. Многомерный массив числовых данных с фиксированной формой (shape) и типом (dtype), размещаемый на CPU/GPU и поддерживающий векторизованные операции и автоматическое дифференцирование
  2. Многомерный контейнер, допускающий смешанные типы элементов и произвольно меняющуюся форму на каждом шаге вычислений без перераспределения памяти
  3. Универсальная структура для последовательностей, ограниченная одномерными и двумерными представлениями и не поддерживающая операции над тензорами более высокого порядка
  4. Контейнер параметров модели на основе списков/словарей, требующий итерации по элементам вместо векторизованных операций и не имеющий привязки к устройству выполнения
Вопрос 77

Для чего используется библиотека «NumPy» в проектах по машинному обучению?

  1. Для обработки естественного языка как готовая платформа
  2. Для эффективных числовых вычислений и работы с многомерными массивами
  3. Для создания веб-интерфейсов
  4. Для построения графиков
Вопрос 78

Что такое предобученные модели в библиотеках для нейросетей?

  1. Модели, которые были обучены на небольших наборах данных и предназначены только для демонстрации
  2. Модели, обученные на больших наборах данных, доступные для использования и дообучения
  3. Модели, которые были созданы вчера
  4. Модели, не требующие обучения
Вопрос 79

Что представляет собой формат «ONNX»?

  1. Формат хранения датасетов для обучения
  2. Открытый формат представления моделей для переноса между различными фреймворками
  3. Графический формат для визуализации вычислительных графов
  4. Текстовый формат конфигурации гиперпараметров
Вопрос 80

Для чего используется инструмент «TensorBoard»?

  1. Для редактирования исходного кода моделей
  2. Для визуализации метрик обучения, графов вычислений и профилирования
  3. Для генерации синтетических данных из изображений
  4. Для конвертации моделей в мобильные форматы
Вопрос 81

В чём заключается особенность динамического вычислительного графа в «PyTorch»?

  1. В предварительной компиляции графа перед запуском обучения
  2. В необходимости описания всей модели в статической декларативной форме
  3. В построении графа «на лету» во время выполнения кода с удобной отладкой и ветвлениями
  4. В ограничении вычислений только на центральном процессоре
Вопрос 82

Что такое «TorchScript» в «PyTorch»?

  1. Формат даталоадера для потоковой загрузки текстовых данных
  2. Механизм преобразования и сериализации моделей для выполнения без интерпретатора Python и оптимизации
  3. Средство визуализации слоёв и активаций в браузере
  4. Плагин для автоматического подбора гиперпараметров
Вопрос 83

Для чего используется «ONNX Runtime»?

  1. Для обучения модели «Keras» на нескольких GPU
  2. Для выполнения моделей в формате «ONNX» на разных платформах с поддержкой аппаратного ускорения
  3. Для разметки данных и аугментаций перед обучением
  4. Для построения интерактивных дашбордов результатов
Вопрос 84

Для чего используется библиотека «cuDNN» в экосистеме глубокого обучения?

  1. Для подготовки и очистки текстовых корпусов
  2. Для конвертации графических моделей в формат «ONNX»
  3. Для внедрения моделей в веб-приложения без серверной части
  4. Для ускорения низкоуровневых операций нейросетей на GPU «NVIDIA»