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.

Související vodicí cestySiamské Sítě A Ztráta tripletů
Otázka 1 z 8

Co je určujícím architektonickým rysem siamské sítě?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. 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
  2. Jaké jsou tři vstupy ve ztrátě tripletu?
    • Vstup, skrytý, výstup
    • Kotevní, pozitivní a negativní
    • Trénovat, validovat, testovat
    • Kodér, dekodér, klasifikátor
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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