Тест, свързан с ръководство · трудно Ниво

Тест за контрастно обучение

Практикувайте контрастни положителни двойки, колапс на вграждане и сходство с температурен мащаб, включително как опашките MoCo се различават от кешовете за изводи.

Свързани ръководни пътекиКонтрастивно обучение
Въпрос 1 на 8

Каква е основната цел на контрастното обучение?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Каква е основната цел на контрастното обучение?
    • Издърпайте подобни (положителни) двойки заедно и раздалечете различни (отрицателни) двойки в пространството за вграждане
    • Предскажете точните стойности на пикселите на изображението
    • Класифицирайте всеки вход в един от фиксиран набор от етикети
    • Минимизирайте броя на параметрите на модела
  2. В метод за самоконтролирано изображение като SimCLR, как обикновено се създава положителна двойка?
    • Две различни изображения от един и същ етикетиран клас
    • Изображение и произволно избрано изображение от набора от данни
    • Две произволни увеличения (напр. изрязване, трептене на цвета) на едно и също изображение
    • Изображение, съчетано с неговата маска за сегментиране
  3. Коя функция на загуба е най-свързана с контрастното обучение?
    • Средна квадратна грешка
    • InfoNCE
    • Кръстосана ентропия върху етикетите на класа
    • Загуба на панти за SVM
  4. Защо методи като MoCo използват банка памет или опашка?
    • За съхраняване на етикети за контролирана фина настройка
    • За да кеширате окончателните прогнози за по-бързи изводи
    • За компресиране на модела за мобилни устройства
    • Да предоставя много отрицателни примери, без да е необходим огромен размер на партида
  5. От какъв проблем конкретно се предпазват BYOL и SimSiam, без да използват изрични негативи?
    • Пренастройване на етикетите за обучение
    • Експлозивни градиенти в оптимизатора
    • Колапс на представянето, при който всички вграждания стават идентични
    • Изчезваща скорост на учене
  6. Как CLIP разширява контрастната идея?
    • Той подравнява изображенията с техните текстови надписи в споделено пространство за вграждане
    • Той контрастира две увеличения на един и същ аудио клип
    • Премахва необходимостта от каквато и да е невронна мрежа
    • Той използва обучение с подсилване вместо сходство
  7. A contrastive image encoder maps every photo to the same vector. Which failure does this illustrate?
    • A useful separation of image categories
    • An increase in the number of negative samples
    • A perfect nearest-neighbor representation
    • Representation collapse
  8. Why is MoCo’s training queue different from caching completed inference responses?
    • It serves final chatbot responses without model execution
    • It supplies encoded comparison examples for a contrastive training objective
    • It replaces every positive image with a label
    • It removes the need to update any encoder