Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zum Triplettverlust und zum metrischen Lernen

Testen Sie Anker-Positiv-Negativ-Rollen, Randtrennung, Einbettungsvergleich, Normalisierung und Beispiele für Null- und Aktiv-Triplettverluste.

Verwandte FührungspfadeTriplettverlust und metrisches Lernen
Frage 1 von 8

Welche drei Eingaben bilden ein Triplett beim Triplettverlust?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Welche drei Eingaben bilden ein Triplett beim Triplettverlust?
    • Anker, positiv und negativ
    • Eingabe, verborgene Ebene und Ausgabe
    • Abfrage, Schlüssel und Wert
    • Trainieren, validieren und testen Sie Proben
  2. Warum beinhaltet der Triplettverlust eine Margin-Bedingung?
    • Um die Matrixmultiplikation zu beschleunigen
    • Um die Anzahl der Klassen zu erhöhen
    • Um zu verhindern, dass das Modell alle Einbettungen auf einen Punkt reduziert
    • Distanzen in Wahrscheinlichkeiten umrechnen
  3. Welches berühmte System aus dem Jahr 2015 hat den Triplet-Verlust für die Gesichtserkennung populär gemacht?
    • AlexNet
    • FaceNet
    • ResNet
    • BERT
  4. Was gibt ein trainiertes Metrik-Lernmodell für jede Eingabe aus?
    • Nur eine Klassenbezeichnung
    • Ein Begrenzungsrahmen
    • Ein einzelner Wahrscheinlichkeitswert
    • Ein Einbettungsvektor, dessen Abstände Ähnlichkeit widerspiegeln
  5. Warum eignet sich metrisches Lernen gut für offene Probleme wie das Hinzufügen neuer Gesichter?
    • Es trainiert das gesamte Netzwerk für jede neue Identität neu
    • Es funktioniert nur, wenn alle Klassen im Voraus bekannt sind
    • Beim Vergleich kommt es auf die Distanz an, sodass neue Identitäten keiner Umschulung bedürfen
    • Es speichert eine feste Liste von Ausgängen
  6. Einbettungen in metrisches Lernen sind häufig L2-normalisiert. Welchen Effekt hat das?
    • Es platziert Einbettungen auf einer Einheitshypersphäre, sodass die Entfernungen begrenzt und vergleichbar bleiben
    • Dadurch entfällt die Notwendigkeit einer Verlustfunktion
    • Es wandelt das Netzwerk in einen Klassifikator um
    • Es verdoppelt die Einbettungsdimension
  7. Under max(0, d(a,p) minus d(a,n) plus margin), d(a,p)=0.3, d(a,n)=0.8 and margin=0.2 yield what loss?
    • 0.3
    • 0.7
    • 1.3
    • 0
  8. A positive margin is 0.2 and every embedding collapses to the same point. What loss does that triplet formula give?
    • 0, because both distances are equal
    • 0.2, so collapse has not satisfied the separation objective
    • 1, regardless of the margin
    • A negative loss of minus 0.2