গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

লেবেল স্মুথিং কুইজ

মসৃণ লক্ষ্য এবং এপিসিলন, টাস্ক-নির্ভর ক্রমাঙ্কন প্রভাব, পাতন ট্রেডঅফ এবং ফলাফল কেন ডেটা এবং উদ্দেশ্যের উপর নির্ভর করে তা কভার করে।

সম্পর্কিত গাইড পাথলেবেল স্মুথিং
প্রশ্ন 1 এর 8

প্রশিক্ষণের লক্ষ্য সম্পর্কে লেবেল স্মুথিং কি পরিবর্তন করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. প্রশিক্ষণের লক্ষ্য সম্পর্কে লেবেল স্মুথিং কি পরিবর্তন করে?
    • এটি ওয়ান-হট টার্গেটকে নরম করে তাই সত্যিকারের ক্লাস 1.0 এর নিচে এবং অন্যরা 0 এর সামান্য উপরে
    • এটা ক্ষতি ফাংশন অপসারণ
    • এটি ভুল ক্লাস মুছে দেয়
    • এটি শেখার হার দ্বিগুণ করে
  2. স্মুথিং প্যারামিটার এপসিলনের জন্য একটি সাধারণ মান হল:
    • 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
    • আলফাগো এবং আলফাজিরো
    • ইনসেপশন-v3 এবং ট্রান্সফরমার
  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. লেবেল মসৃণ করার একটি নথিভুক্ত খারাপ দিক কি?
    • এটি সর্বদা নির্ভুলতা হ্রাস করে
    • এটা সূক্ষ্ম-শ্রেণীর সাদৃশ্য মুছে ফেলতে পারে, জ্ঞান পাতনকে আঘাত করে
    • এর জন্য দ্বিগুণ প্রশিক্ষণের ডেটা প্রয়োজন
    • এটা শুধুমাত্র টেক্সট কাজ করে
  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