Тест, свързан с ръководство · Среден Ниво

Тест за изглаждане на етикети

Обхваща изгладени цели и епсилон, зависещи от задачата ефекти на калибриране, компромиси при дестилация и защо резултатите зависят от данните и целта.

Свързани ръководни пътекиИзглаждане на етикети
Въпрос 1 на 8

Какво променя изглаждането на етикетите относно целите за обучение?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво променя изглаждането на етикетите относно целите за обучение?
    • Той омекотява едно-горещите цели, така че истинският клас е под 1.0, а други са малко над 0
    • Премахва функцията за загуба
    • Изтрива неправилните класове
    • Удвоява скоростта на обучение
  2. Обща стойност за изглаждащия параметър епсилон е:
    • 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
    • AlphaGo и AlphaZero
    • Inception-v3 и Трансформаторът
  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. Какъв е документираният недостатък на изглаждането на етикетите?
    • Винаги намалява точността
    • Може да изтрие фината прилика между класовете, наранявайки дестилацията на знания
    • Изисква два пъти повече данни за обучение
    • Работи само върху текст
  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