训练CNN时,GPU显存溢出,此时可以采取什么办法()。
A.减少minibatch大小
B.移除一些卷积层
C.减少图片输入大小
D.增加激活函数
A.减少minibatch大小
B.移除一些卷积层
C.减少图片输入大小
D.增加激活函数
B.AI芯片只能运行特定的AI算法,包括:图像识别等领域的CNN卷积网络,语音识别、自然语言处理领域的RNN算法
C.开发AI应用通常包括模型训练和推理两个部分,两者都需要极高的算力和低微的功耗
D.AI芯片是指针对AI算法的专用芯片(Application Specific Integrated Circuit,ASIC),针对AI算法,设计指令集,具有速度快,功耗低的特点
A.CNN和RNN都属于神经网络,因此二者的训练方式完全一致,均采用BP算法。
B.CNN和RNN都采用了权值共享机制以减少网络中的参数量。
C.在同一个网络中,CNN结构和RNN结构不能同时使用。
D.CNN适用于图像处理,而RNN适用于序列数据处理。
A.局部感知使网络可以提取图像的局部特征,而权值共享大大降低了网络的训练难度
B.通道数量越多,获得的特征图(Featuremap)就越多
C.卷积是指对图像的窗口数据和滤波矩阵做内积的操作,在训练过程中滤波矩阵的大小和值不变
D.SAME填充和VALID填充的主要区别是前者向图像边缘添加0值,而后者可能会忽略来自图像边缘的值
A.支持在线标注、自动模型训练、超参优化及模型评估
B.支持基于异构硬件(CPU和GPU)的模型加载和数据请求的实时响应
C.用户可以将模型快速部署为c.restfulapi,http,通过HTTP请求的方式调用该服务
D.提供的弹性扩缩和蓝绿部
B.某些网元可能不支持性能数据补采操作
C.由于某种原因(如网元与NetNumenU31服务器间的通信中断)导致NetNumenU31服务器上性能数据不完整时,如果网元上的性能数据还没有被清除,此时维护人员可以通过手工方式补采测量任务中丢失的性能数据
D.已进行数据完整性查询操作
A.能够让深度学习工程师快速地实现自己的想法
B.在更好更快的计算机上能够帮助一个团队减少迭代(训练)的时间
C.在数据量很多的数据集上训练上的时间要快于小数据集
D.使用更新的深度学习算法可以使我们能够更快地训练好模型(即使更换CPU/GPU硬件)
A.Cloud VR终端需要内置高性能GPU
B.Cloud VR可以降低终端成本
C.Cloud VR要求移动网络支持更低时延
D.Cloud VR要求移动网络支持更大带宽