Quiz lié à un guide · Moyen Niveau

Quiz sur la perte de triplet et l'apprentissage des métriques

Testez les rôles d'ancrage positif-négatif, la séparation des marges, la comparaison d'intégration, la normalisation et les exemples de perte de triplet zéro par rapport à l'actif.

Chemins de guidage associésPerte de triplet et apprentissage métrique
Question 1 de 8

Quelles sont les trois entrées qui composent un triplet en perte de triplet ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Quelles sont les trois entrées qui composent un triplet en perte de triplet ?
    • Ancrage, positif et négatif
    • Entrée, couche cachée et sortie
    • Requête, clé et valeur
    • Former, valider et tester des échantillons
  2. Pourquoi la perte triplet inclut-elle un terme de marge ?
    • Pour accélérer la multiplication matricielle
    • Augmenter le nombre de classes
    • Pour empêcher le modèle de réduire toutes les intégrations en un seul point
    • Pour convertir les distances en probabilités
  3. Quel célèbre système de 2015 a popularisé la perte de triplet pour la reconnaissance faciale ?
    • AlexNet
    • FaceNet
    • ResNet
    • BERTE
  4. Que produit un modèle d'apprentissage de métriques formé pour chaque entrée ?
    • Une étiquette de classe uniquement
    • Une boîte englobante
    • Un seul score de probabilité
    • Un vecteur d'intégration dont les distances reflètent la similarité
  5. Pourquoi l’apprentissage métrique est-il bien adapté aux problèmes ouverts comme l’ajout de nouveaux visages ?
    • Il recycle l'ensemble du réseau pour chaque nouvelle identité
    • Cela ne fonctionne que lorsque toutes les classes sont connues à l'avance
    • La comparaison repose sur la distance, les nouvelles identités n'ont donc pas besoin d'être recyclées
    • Il mémorise une liste fixe de sorties
  6. Les intégrations dans l'apprentissage métrique sont souvent normalisées en L2. Quel effet cela a-t-il ?
    • Il place des intégrations sur une hypersphère unitaire afin que les distances restent limitées et comparables.
    • Cela supprime le besoin de toute fonction de perte
    • Il convertit le réseau en classificateur
    • Il double la dimension d'intégration
  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