Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre las redes siamesas y la pérdida de tripletes

Comprueba los codificadores compartidos, las distancias de incrustación, los márgenes de triplete y cómo los ejemplos negativos afectan la señal de aprendizaje. con cuidado.

Rutas de guía relacionadasRedes siamesas y pérdida de tripletes
Pregunta 1 de 8

¿Cuál es la característica arquitectónica definitoria de una red siamesa?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuál es la característica arquitectónica definitoria de una red siamesa?
    • Dos o más ramas idénticas que comparten los mismos pesos.
    • Una sola rama sin capas ocultas
    • Redes separadas con pesos completamente independientes.
    • Un bucle recurrente a lo largo de pasos de tiempo.
  2. En pérdida triplete, ¿cuáles son las tres entradas?
    • Entrada, oculta, salida
    • Ancla, positiva y negativa.
    • Entrenar, validar, probar
    • Codificador, decodificador, clasificador.
  3. ¿Qué exige el objetivo de pérdida triplete?
    • El ancla y el negativo deben ser idénticos.
    • Todas las incrustaciones deberían colapsar en un solo punto.
    • La distancia positiva del anclaje debe ser menor que la distancia negativa del anclaje por un margen
    • Positivo y negativo deben tener la misma distancia al ancla.
  4. ¿Por qué es importante la "minería dura negativa" para el entrenamiento de pérdidas tripletes?
    • Elimina todos los aspectos positivos del entrenamiento.
    • Hace que la red sea menos profunda.
    • Reemplaza la métrica de distancia con una etiqueta.
    • Los negativos fáciles ya satisfacen el margen y producen un gradiente útil cero
  5. ¿Qué capacidad hace que las redes siamesas sean valiosas para el "aprendizaje de una sola vez"?
    • Pueden comparar una nueva entrada con una única referencia y juzgar la similitud, incluso para clases invisibles.
    • Necesitan miles de ejemplos etiquetados por clase.
    • Sólo se clasifican en categorías fijas y predefinidas.
    • No pueden generalizar más allá de las identidades de formación.
  6. ¿Cómo decide normalmente una red siamesa si dos entradas coinciden?
    • Sumando sus valores de píxeles sin procesar
    • Comparando la distancia entre sus vectores de incrustación con un umbral
    • Contando el número de capas utilizadas.
    • Asignando a cada uno una etiqueta de clase aleatoria
  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