الشبكات السيامية ومسابقة الخسارة الثلاثية

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما هي السمة المعمارية المميزة للشبكة السيامية؟
   • فرعين متماثلين أو أكثر يشتركون في نفس الأوزان
   • فرع واحد بدون طبقات مخفية
   • شبكات منفصلة بأوزان مستقلة تماماً
   • حلقة متكررة مع مرور الوقت
2. في الخسارة الثلاثية، ما هي المدخلات الثلاثة؟
   • الإدخال، مخفي، الإخراج
   • مرساة وإيجابية وسلبية
   • التدريب، التحقق، الاختبار
   • التشفير، فك التشفير، المصنف
3. ما الذي يفرضه هدف الخسارة الثلاثية؟
   • المرساة والسلبية يجب أن تكون متطابقة
   • يجب أن تنهار جميع التضمينات إلى نقطة واحدة
   • يجب أن تكون مسافة المرساة الإيجابية أصغر من مسافة المرساة السالبة بهامش
   • يجب أن يكون الموجب والسالب على مسافة متساوية من المرساة
4. لماذا يعتبر "التعدين السلبي الشديد" مهمًا للتدريب على الخسارة الثلاثية؟
   • فهو يزيل كل الإيجابيات من التدريب
   • يجعل الشبكة ضحلة
   • فهو يستبدل مقياس المسافة بملصق
   • السلبيات السهلة تلبي بالفعل الهامش وتنتج تدرجًا مفيدًا صفرًا
5. ما هي القدرة التي تجعل الشبكات السيامية ذات قيمة في "التعلم مرة واحدة"؟
   • يمكنهم مقارنة مدخلات جديدة بمرجع واحد والحكم على التشابه، حتى بالنسبة للفئات غير المرئية
   • إنهم بحاجة إلى آلاف الأمثلة المصنفة لكل فصل
   • يتم تصنيفها فقط إلى فئات ثابتة ومحددة مسبقًا
   • لا يمكنهم التعميم خارج هويات التدريب
6. كيف تحدد الشبكة السيامية عادةً ما إذا كان هناك تطابق بين المدخلين؟
   • من خلال جمع قيم البكسل الأولية الخاصة بهم
   • من خلال مقارنة المسافة بين ناقلات التضمين الخاصة بهم مقابل العتبة
   • من خلال حساب عدد الطبقات المستخدمة
   • عن طريق تعيين كل تسمية فئة عشوائية
7. For triplet loss max(0, d(a,p) − d(a,n) + m), let d(a,p)=0.2, d(a,n)=0.8 and m=0.3. What is the loss?
   • 0.3
   • 0.5
   • 0
   • 1.1
8. What happens when a negative example is already farther from the anchor than the required margin?
   • The anchor and positive embeddings are discarded
   • The loss forces the negative closer to the anchor
   • The network switches to classification mode
   • The triplet loss becomes zero and that example gives no useful gradient