Kvíz spojený s průvodcem · Těžko úroveň

Online a tvrdý kvíz negativní těžby

Testujte online versus offline fondy, hromadný a polotvrdý výběr, zavádějící negativa a kontroly kandidátů na základě vzdálenosti.

Související vodicí cestyOnline a tvrdá negativní těžba
Otázka 1 z 8

Proč většina náhodně odebraných negativů poskytuje malý tréninkový signál při ztrátě tripletů?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Proč většina náhodně odebraných negativů poskytuje malý tréninkový signál při ztrátě tripletů?
    • Obvykle jsou špatně označeny
    • Jsou příliš malé na to, aby se vešly do paměti
    • Jsou již daleko od kotvy, takže ztráta a spád se blíží nule
    • Vždy se rovnají kladné vzdálenosti
  2. Co odlišuje online těžbu od offline těžby?
    • Online těžba využívá internet; offline ne
    • Online těžba vybírá těžké příklady v každé minidávce za chodu
    • Online těžba funguje pouze na textu
    • Online těžba nevyžaduje žádný dopředný průchod
  3. Co je to „polotvrdý“ negativ definovaný na FaceNet?
    • Zápor blíže než pozitivní ke kotvě
    • Zápor, který se přesně rovná kotvě
    • Jakýkoli náhodně vybraný negativ
    • Negativní dále než kladné, ale stále v mezích
  4. Při dávkové těžké těžbě, která negativa se volí pro každou kotvu?
    • Nejbližší negativ v dávce
    • Nejvzdálenější negativ v dávce
    • Náhodný negativ
    • Negativní se střední vzdáleností
  5. Proč má větší velikost dávky tendenci zlepšit výsledky těženého metrického učení?
    • Zmenšuje rozměr vložení
    • Eliminuje potřebu marže
    • Odstraňuje ztrátovou funkci
    • Poskytuje bohatší zásobu kandidátských tvrdých negativ na krok
  6. Jaké je známé riziko výběru absolutně nejtěžších negativ?
    • Jsou vždy příliš snadné
    • Díky nim je matrice dávek menší
    • Mohou být špatně označené nebo téměř duplicitní pozitiva, která narušují školení
    • Zcela odstraní gradient
  7. 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
  8. 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