Kvíz spojený s průvodcem · Střední úroveň
Siamské sítě a Triplet Loss Quiz
Kontroluje sdílené kodéry, vzdálenosti vkládání, okraje tripletů a jak silně negativní příklady ovlivňují signál učení. opatrně.
Otázka 1 z 8
Co je určujícím architektonickým rysem siamské sítě?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co je určujícím architektonickým rysem siamské sítě?
- Dvě nebo více stejných větví, které sdílejí stejnou váhu
- Jedna větev bez skrytých vrstev
- Oddělené sítě se zcela nezávislými váhami
- Opakující se smyčka v průběhu časových kroků
- Jaké jsou tři vstupy ve ztrátě tripletu?
- Vstup, skrytý, výstup
- Kotevní, pozitivní a negativní
- Trénovat, validovat, testovat
- Kodér, dekodér, klasifikátor
- Co prosazuje cíl triplet loss?
- Kotva a zápor by měly být totožné
- Všechna vložení by se měla sbalit do jednoho bodu
- Kladná vzdálenost kotvy by měla být o okraj menší než vzdálenost záporná kotva
- Kladný a záporný pól by měl mít stejnou vzdálenost ke kotvě
- Proč je 'těžká negativní těžba' důležitá pro trénink triplet loss?
- Odstraňuje z tréninku všechna pozitiva
- Díky tomu bude síť mělčí
- Metriku vzdálenosti nahradí štítkem
- Snadné negativy již uspokojují okraj a vytvářejí nulový užitečný gradient
- Jaká schopnost činí siamské sítě cennými pro „jednorázové učení“?
- Mohou porovnat nový vstup s jediným odkazem a posoudit podobnost, a to i u neviditelných tříd
- Potřebují tisíce označených příkladů na třídu
- Zařazují pouze do pevných, předem definovaných kategorií
- Nemohou zobecňovat nad rámec školení identit
- Jak se siamská síť obvykle rozhoduje, zda se dva vstupy shodují?
- Sečtením jejich nezpracovaných hodnot pixelů
- Porovnáním vzdálenosti mezi jejich vektory vkládání s prahovou hodnotou
- Počítáním počtu použitých vrstev
- Přiřazením každého náhodného štítku třídy
- 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