Mit dem Guide verknüpftes Quiz · Mittel Ebene

Etikettenglättungsquiz

Behandelt geglättete Ziele und Epsilon, aufgabenabhängige Kalibrierungseffekte, Destillationskompromisse und warum Ergebnisse von den Daten und dem Ziel abhängen.

Verwandte FührungspfadeEtikettenglättung
Frage 1 von 8

Was ändert sich durch die Etikettenglättung an den Trainingszielen?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was ändert sich durch die Etikettenglättung an den Trainingszielen?
    • Es schwächt One-Hot-Ziele ab, sodass die wahre Klasse unter 1,0 liegt und andere leicht über 0 liegen
    • Es entfernt die Verlustfunktion
    • Es löscht falsche Klassen
    • Es verdoppelt die Lernrate
  2. Ein üblicher Wert für den Glättungsparameter Epsilon ist:
    • 0,9
    • 0,1
    • 5,0
    • 0,0
  3. What is one intended effect of replacing hard one-hot targets with smoothed targets?
    • Force every class to have equal probability
    • Guarantee the largest possible logit for the true class
    • Avoid requiring the labeled class to receive a target probability of exactly one
    • Remove the need for labeled training data
  4. Which landmark architectures are prominent examples of label-smoothing use?
    • AlexNet and LeNet only
    • ResNet-50 and VGG only
    • AlphaGo und AlphaZero
    • Inception-v3 und der Transformer
  5. What can label smoothing do to calibration?
    • It can improve calibration in some settings, but the effect is task- and model-dependent
    • It guarantees perfect calibration for every classifier
    • It cannot affect predicted probabilities
    • It always makes confidence equal accuracy
  6. Was ist ein dokumentierter Nachteil der Etikettenglättung?
    • Es verringert immer die Genauigkeit
    • Es kann feine Ähnlichkeiten zwischen den Klassen auslöschen und die Wissensdestillation beeinträchtigen
    • Es sind doppelt so viele Trainingsdaten erforderlich
    • Es funktioniert nur bei Text
  7. Why can label smoothing complicate knowledge distillation?
    • It converts every class label into an image
    • It forces the student to use a different tokenizer
    • It can remove information in logits about similarities among incorrect classes
    • It prevents the teacher from producing logits
  8. What should a practitioner verify when comparing label-smoothing implementations?
    • Whether the model has a web browser
    • Whether training uses a validation filename
    • Whether logits are stored as text
    • Whether epsilon is distributed over all classes or only the non-target classes