Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ εξομάλυνσης ετικετών

Καλύπτει εξομαλυνμένους στόχους και έψιλον, εφέ βαθμονόμησης που εξαρτώνται από την εργασία, ανταλλαγές απόσταξης και γιατί τα αποτελέσματα εξαρτώνται από τα δεδομένα και τον στόχο.

Σχετικές διαδρομές οδηγώνΕξομάλυνση ετικετών
Ερώτηση 1 του 8

Τι αλλάζει η εξομάλυνση ετικετών σχετικά με τους στόχους εκπαίδευσης;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι αλλάζει η εξομάλυνση ετικετών σχετικά με τους στόχους εκπαίδευσης;
    • Μαλακώνει τους στόχους one-hot, ώστε η πραγματική τάξη να είναι κάτω από το 1,0 και άλλοι λίγο πάνω από το 0
    • Αφαιρεί τη λειτουργία απώλειας
    • Διαγράφει λανθασμένες κλάσεις
    • Διπλασιάζει το ποσοστό εκμάθησης
  2. Μια κοινή τιμή για την παράμετρο εξομάλυνσης epsilon είναι:
    • 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 και AlphaZero
    • Inception-v3 και το 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. Ποιο είναι ένα τεκμηριωμένο μειονέκτημα της εξομάλυνσης ετικετών;
    • Πάντα μειώνει την ακρίβεια
    • Μπορεί να διαγράψει την ομοιότητα μεταξύ των τάξεων, βλάπτοντας την απόσταξη γνώσης
    • Απαιτεί διπλάσια δεδομένα εκπαίδευσης
    • Λειτουργεί μόνο σε κείμενο
  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