Тест, свързан с ръководство · трудно Ниво
Онлайн и тежък тест за негативно копаене
Тествайте онлайн срещу офлайн пулове, партиден твърд и полутвърд избор, подвеждащи негативи и базирани на разстояние проверки на кандидати.
Въпрос 1 на 8
Защо повечето произволно взети негативи дават слаб тренировъчен сигнал при загуба на триплети?
Визуализирайте всеки въпрос8 въпроси
Отговорите и обясненията се появяват, докато отговаряте на теста.
- Защо повечето произволно взети негативи дават слаб тренировъчен сигнал при загуба на триплети?
- Обикновено те са неправилно етикетирани
- Те са твърде малки, за да се поберат в паметта
- Те вече са далеч от котвата, така че загубата и градиентът са близо до нула
- Те винаги са равни на положителното разстояние
- Какво отличава онлайн копаене от офлайн?
- Онлайн копаенето използва интернет; офлайн не
- Онлайн копаенето избира трудни примери във всяка мини-партида в движение
- Онлайн копаене работи само върху текст
- Онлайн копаене не изисква пропуск напред
- Какво е „полутвърд“ негатив, както е дефиниран във FaceNet?
- Негативът е по-близо от позитива до котвата
- Отрицателно, което се равнява точно на котвата
- Всеки произволно избран негатив
- Отрицателното е по-далеч от положителното, но все още е в границите
- При партидно твърдо копаене кой негатив се избира за всяка котва?
- Най-близкият негатив в партидата
- Най-далечният негатив в партидата
- Случаен отрицателен
- Отрицателното със средното разстояние
- Защо по-големият размер на партида има тенденция да подобрява резултатите от обучението на добитите метрики?
- Намалява размерите на вграждане
- Елиминира необходимостта от марж
- Премахва функцията за загуба
- Той осигурява по-богат набор от кандидати за твърди негативи на стъпка
- Какъв е известният риск от избирането на абсолютно най-трудните негативи?
- Те винаги са твърде лесни
- Те правят партидната матрица по-малка
- Те могат да бъдат неправилно етикетирани или почти дублиращи се положителни резултати, които покваряват обучението
- Те премахват градиента изцяло
- With positive distance 0.4 and margin 0.2, which negative distance is semi-hard under the described rule?
- 0,5
- 0.2
- 0.8
- 1.1
- Why does ordinary online mining within one minibatch not necessarily find the hardest negative in the entire dataset?
- Every batch contains the complete dataset
- Its available candidate pool is the examples in that batch
- Distance calculations prove no other examples exist
- The model discards all negative labels