গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
সিয়ামিজ নেটওয়ার্ক এবং ট্রিপলেট লস কুইজ
ভাগ করা এনকোডার, এম্বেডিং দূরত্ব, ট্রিপলেট মার্জিন এবং কীভাবে হার্ড-নেতিবাচক উদাহরণগুলি শেখার সংকেতকে প্রভাবিত করে তা পরীক্ষা করে। সাবধানে
প্রশ্ন 1 এর 8
একটি সিয়ামিজ নেটওয়ার্কের সংজ্ঞায়িত স্থাপত্য বৈশিষ্ট্য কি?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- একটি সিয়ামিজ নেটওয়ার্কের সংজ্ঞায়িত স্থাপত্য বৈশিষ্ট্য কি?
- দুই বা ততোধিক অভিন্ন শাখা যা একই ওজন ভাগ করে নেয়
- কোনো লুকানো স্তর ছাড়া একটি একক শাখা
- সম্পূর্ণ স্বাধীন ওজন সহ পৃথক নেটওয়ার্ক
- সময়ের ধাপে একটি পুনরাবৃত্ত লুপ
- ট্রিপলেট ক্ষতিতে, তিনটি ইনপুট কি?
- ইনপুট, লুকানো, আউটপুট
- অ্যাঙ্কর, ইতিবাচক এবং নেতিবাচক
- ট্রেন, বৈধতা, পরীক্ষা
- এনকোডার, ডিকোডার, ক্লাসিফায়ার
- ট্রিপলেট ক্ষতির উদ্দেশ্য কী বলবৎ করে?
- অ্যাঙ্কর এবং নেতিবাচক অভিন্ন হওয়া উচিত
- সমস্ত এম্বেডিং একটি একক বিন্দুতে ভেঙে পড়া উচিত
- অ্যাঙ্কর-পজিটিভ দূরত্ব একটি মার্জিন দ্বারা অ্যাঙ্কর-নেতিবাচক দূরত্বের চেয়ে ছোট হওয়া উচিত
- ইতিবাচক এবং নেতিবাচক নোঙ্গর সমান দূরত্ব থাকা উচিত
- কেন 'হার্ড-নেগেটিভ মাইনিং' ট্রিপলেট লস প্রশিক্ষণের জন্য গুরুত্বপূর্ণ?
- এটা প্রশিক্ষণ থেকে সব ইতিবাচক অপসারণ
- এটা নেটওয়ার্ক অগভীর করে তোলে
- এটি একটি লেবেল দিয়ে দূরত্ব মেট্রিক প্রতিস্থাপন করে
- সহজ নেতিবাচকগুলি ইতিমধ্যেই মার্জিনকে সন্তুষ্ট করে এবং শূন্য উপযোগী গ্রেডিয়েন্ট তৈরি করে
- 'ওয়ান-শট লার্নিং'-এর জন্য কোন ক্ষমতা সিয়ামিজ নেটওয়ার্কগুলিকে মূল্যবান করে তোলে?
- তারা একটি একক রেফারেন্সের সাথে একটি নতুন ইনপুট তুলনা করতে পারে এবং সাদৃশ্য বিচার করতে পারে, এমনকি অদেখা ক্লাসের জন্যও
- তাদের ক্লাস প্রতি হাজার হাজার লেবেল উদাহরণ প্রয়োজন
- তারা শুধুমাত্র নির্দিষ্ট, পূর্বনির্ধারিত বিভাগে শ্রেণীবদ্ধ করে
- তারা প্রশিক্ষণ পরিচয়ের বাইরে সাধারণীকরণ করতে পারে না
- কিভাবে একটি সিয়ামিজ নেটওয়ার্ক সাধারণত সিদ্ধান্ত নেয় যে দুটি ইনপুট মিলে যায়?
- তাদের কাঁচা পিক্সেল মান যোগ করে
- একটি থ্রেশহোল্ডের বিরুদ্ধে তাদের এমবেডিং ভেক্টরের মধ্যে দূরত্ব তুলনা করে
- ব্যবহৃত স্তর সংখ্যা গণনা দ্বারা
- প্রত্যেককে এলোমেলো ক্লাস লেবেল বরাদ্দ করে
- 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
- 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