Cuestionario vinculado a una guía · Medio Nivel

Prueba de aprendizaje de métricas y pérdida de tripletes

Pruebe roles de anclaje positivo-negativo, separación de márgenes, comparación de incrustación, normalización y ejemplos de pérdida de triplete cero versus activo.

Rutas de guía relacionadasPérdida de triplete y aprendizaje métrico
Pregunta 1 de 8

¿Qué tres entradas forman un triplete en pérdida de triplete?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué tres entradas forman un triplete en pérdida de triplete?
    • Ancla, positiva y negativa.
    • Entrada, capa oculta y salida
    • Consulta, clave y valor
    • Muestras de entrenamiento, validación y prueba
  2. ¿Por qué la pérdida tripleta incluye un plazo de margen?
    • Para acelerar la multiplicación de matrices
    • Para aumentar el número de clases.
    • Para evitar que el modelo colapse todas las incrustaciones en un punto
    • Para convertir distancias en probabilidades.
  3. ¿Qué famoso sistema de 2015 popularizó la pérdida triple para el reconocimiento facial?
    • alexnet
    • facenet
    • Resnet
    • BERT
  4. ¿Qué genera un modelo de aprendizaje de métricas entrenado para cada entrada?
    • Solo una etiqueta de clase
    • Un cuadro delimitador
    • Una puntuación de probabilidad única
    • Un vector de incrustación cuyas distancias reflejan similitud.
  5. ¿Por qué el aprendizaje métrico es adecuado para problemas abiertos como agregar caras nuevas?
    • Vuelve a entrenar toda la red para cada nueva identidad.
    • Sólo funciona cuando todas las clases se conocen de antemano.
    • La comparación se basa en la distancia, por lo que las nuevas identidades no necesitan reentrenamiento
    • Memoriza una lista fija de salidas.
  6. Las incorporaciones en el aprendizaje métrico suelen estar normalizadas en L2. ¿Qué efecto tiene esto?
    • Coloca incrustaciones en una hiperesfera unitaria para que las distancias permanezcan limitadas y comparables.
    • Elimina la necesidad de cualquier función de pérdida.
    • Convierte la red en un clasificador.
    • Duplica la dimensión de empotramiento.
  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