42. 觀察程式中行( A )將所有既有權重的梯度計算關閉，這在遷移學習中屬於哪一種標準策略？ (A)全面微調(Full Fine-Tuning)； (B)零樣本學習(Zero-shot Learning)； (C)特徵萃取(Feature Extraction)； (D)知識蒸餾(Knowledge Distillation)

42. 觀察程式中行( A )將所有既有權重的梯度計算關閉，這在遷移學習中屬於哪一種標準策略？
(A)全面微調(Full Fine-Tuning)；
(B)零樣本學習(Zero-shot Learning)；
(C)特徵萃取(Feature Extraction)；
(D)知識蒸餾(Knowledge Distillation)

答案：登入後查看
統計： A(6), B(1), C(2), D(1), E(0) #3934978

詳解 (共 1 筆)

Medvedev Dimitri

B1 · 2026/08/03

#7468234

在遷移學習中，將預訓練模型的所有既有權...

(共 677 字，隱藏中）

前往觀看

49. 若團隊需要建立一個超過 50 層的深層神經網路，以捕捉晶圓表面細微的劃傷特徵，但又擔心傳統深層網路常見的梯度消失(Vanishing Gradient)問題，則下列哪一種經典架構最適合優先考慮？ (A)VGG(Visual Geometry Group)：透過重複堆疊 3×3 卷積層與池化層來維持梯度穩定； (B)GoogLeNet：透過 Inception 模塊並行使用不同大小的卷積核，以避免深層網路的梯度問題； (C)ResNet ( Residual Network )：透過殘差連接 ( Residual Connection / Skip Connection)，使梯度能跨層傳遞並降低深層訓練困難； (D)Vision Transformer(ViT)：完全捨棄卷積，因此不會出現任何深層模型的訓練問題

42. 觀察程式中行( A )將所有既有權重的梯度計算關閉，這在遷移學習中屬於哪一種標準策略？
(A)全面微調(Full Fine-Tuning)；
(B)零樣本學習(Zero-shot Learning)；
(C)特徵萃取(Feature Extraction)；
(D)知識蒸餾(Knowledge Distillation)

詳解 (共 1 筆)

相關試題

相關試卷

42. 觀察程式中行( A )將所有既有權重的梯度計算關閉，這在遷移學習中屬於哪一種標 準策略？(A)全面微調(Full Fine-Tuning)；(B)零樣本學習(Zero-shot Learning)；(C)特徵萃取(Feature Extraction)；(D)知識蒸餾(Knowledge Distillation)

詳解 (共 1 筆)

相關試題

相關試卷

42. 觀察程式中行( A )將所有既有權重的梯度計算關閉，這在遷移學習中屬於哪一種標準策略？
(A)全面微調(Full Fine-Tuning)；
(B)零樣本學習(Zero-shot Learning)；
(C)特徵萃取(Feature Extraction)；
(D)知識蒸餾(Knowledge Distillation)