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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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