مسابقة تجانس التسمية

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما الذي يتغير في تجانس الملصقات فيما يتعلق بأهداف التدريب؟
   • إنه يخفف من الأهداف الساخنة بحيث تكون الفئة الحقيقية أقل من 1.0 والبعض الآخر أعلى قليلاً من 0
   • يزيل وظيفة الخسارة
   • يقوم بحذف الفئات غير الصحيحة
   • يضاعف معدل التعلم
2. القيمة الشائعة لمعلمة التجانس epsilon هي:
   • 0.9
   • 0.1
   • 5.0
   • 0.0
3. What is one intended effect of replacing hard one-hot targets with smoothed targets?
   • Force every class to have equal probability
   • Guarantee the largest possible logit for the true class
   • Avoid requiring the labeled class to receive a target probability of exactly one
   • Remove the need for labeled training data
4. Which landmark architectures are prominent examples of label-smoothing use?
   • AlexNet and LeNet only
   • ResNet-50 and VGG only
   • ألفا جو وألفا زيرو
   • Inception-v3 والمحول
5. What can label smoothing do to calibration?
   • It can improve calibration in some settings, but the effect is task- and model-dependent
   • It guarantees perfect calibration for every classifier
   • It cannot affect predicted probabilities
   • It always makes confidence equal accuracy
6. ما هو الجانب السلبي الموثق لتجانس الملصقات؟
   • إنه يقلل دائمًا من الدقة
   • يمكن أن يمحو التشابه الدقيق بين الطبقات، مما يضر بتقطير المعرفة
   • يتطلب ضعف بيانات التدريب
   • إنه يعمل فقط على النص
7. Why can label smoothing complicate knowledge distillation?
   • It converts every class label into an image
   • It forces the student to use a different tokenizer
   • It can remove information in logits about similarities among incorrect classes
   • It prevents the teacher from producing logits
8. What should a practitioner verify when comparing label-smoothing implementations?
   • Whether the model has a web browser
   • Whether training uses a validation filename
   • Whether logits are stored as text
   • Whether epsilon is distributed over all classes or only the non-target classes