Kvíz spojený s průvodcem · Těžko úroveň
Kontrastivní učební kvíz
Procvičte si kontrastivní pozitivní páry, zhroucení vkládání a podobnost na základě teploty, včetně toho, jak se fronty MoCo liší od inferenčních mezipamětí.
Otázka 1 z 8
Co je hlavním cílem kontrastivního učení?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co je hlavním cílem kontrastivního učení?
- Přitáhněte k sobě podobné (kladné) páry a odsuňte odlišné (záporné) páry od sebe v prostoru pro vkládání
- Předpovězte přesné hodnoty pixelů obrázku
- Klasifikujte každý vstup do jednoho z pevných štítků
- Minimalizujte počet parametrů modelu
- Jak se v metodě obrazu s vlastním dohledem, jako je SimCLR, obvykle vytváří pozitivní pár?
- Dva různé obrázky stejné označené třídy
- Obrázek a náhodně vybraný obrázek z datové sady
- Dvě náhodné augmentace (např. oříznutí, barevné chvění) stejného obrázku
- Obrázek spárovaný s maskou segmentace
- Která ztrátová funkce je nejvíce spojena s kontrastivním učením?
- Střední kvadratická chyba
- InfoNCE
- Křížová entropie nad třídními štítky
- Ztráta závěsu pro SVM
- Proč metody jako MoCo používají paměťovou banku nebo frontu?
- K uložení štítků pro doladění pod dohledem
- Chcete-li uložit konečné předpovědi do mezipaměti pro rychlejší vyvozování
- Chcete-li komprimovat model pro mobilní zařízení
- Poskytnout mnoho negativních příkladů bez potřeby enormní velikosti šarže
- Jaký problém konkrétně chrání BYOL a SimSiam bez použití explicitních záporů?
- Přepastování na tréninkové štítky
- Rozložení přechodů v optimalizátoru
- Zhroucení reprezentace, kde se všechna vložení stanou identickými
- Mizí rychlost učení
- Jak CLIP rozšiřuje kontrastivní myšlenku?
- Zarovná obrázky s jejich textovými popisky ve sdíleném prostoru pro vkládání
- Kontrastuje dvě augmentace stejného zvukového klipu
- Odstraňuje potřebu jakékoli neuronové sítě
- Místo podobnosti používá posilovací učení
- Kontrastivní kodér obrázků mapuje každou fotografii na stejný vektor. Které selhání to ilustruje?
- Užitečné oddělení kategorií obrázků
- Nárůst počtu negativních vzorků
- Dokonalé zastoupení nejbližšího souseda
- Kolaps reprezentace
- Proč se fronta školení MoCo liší od ukládání dokončených vyvozených odpovědí do mezipaměti?
- Poskytuje konečné odpovědi chatbota bez provedení modelu
- Poskytuje zakódované srovnávací příklady pro kontrastivní tréninkový cíl
- Nahradí každý pozitivní obrázek štítkem
- Odstraňuje potřebu aktualizovat jakýkoli kodér