स्याम देश नेटवर्क और ट्रिपल लॉस क्विज़

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. स्याम देश के नेटवर्क की परिभाषित वास्तुशिल्प विशेषता क्या है?
   • दो या दो से अधिक समान शाखाएँ जिनका भार समान होता है
   • एक शाखा जिसमें कोई छिपी हुई परतें नहीं हैं
   • पूरी तरह से स्वतंत्र भार के साथ अलग नेटवर्क
   • समय चरणों के साथ एक आवर्ती लूप
2. त्रिक हानि में, तीन इनपुट क्या हैं?
   • इनपुट, छिपा हुआ, आउटपुट
   • एंकर, सकारात्मक और नकारात्मक
   • प्रशिक्षण, सत्यापन, परीक्षण
   • एनकोडर, डिकोडर, क्लासिफायर
3. त्रिक हानि उद्देश्य क्या लागू करता है?
   • एंकर और नेगेटिव एक जैसे होने चाहिए
   • सभी एंबेडिंग्स एक बिंदु पर सिमट जानी चाहिए
   • एंकर-पॉजिटिव दूरी एंकर-नेगेटिव दूरी से एक मार्जिन से छोटी होनी चाहिए
   • सकारात्मक और नकारात्मक की लंगर से समान दूरी होनी चाहिए
4. ट्रिपल लॉस प्रशिक्षण के लिए 'हार्ड-नेगेटिव माइनिंग' क्यों महत्वपूर्ण है?
   • यह प्रशिक्षण से सभी सकारात्मकताओं को दूर कर देता है
   • यह नेटवर्क को उथला बनाता है
   • यह दूरी मीट्रिक को एक लेबल से बदल देता है
   • आसान नकारात्मक पहले से ही मार्जिन को संतुष्ट करते हैं और शून्य उपयोगी ग्रेडिएंट उत्पन्न करते हैं
5. कौन सी क्षमता स्याम देश के नेटवर्क को 'एक बार में सीखने' के लिए मूल्यवान बनाती है?
   • वे एक नए इनपुट की तुलना एक ही संदर्भ से कर सकते हैं और समानता का आकलन कर सकते हैं, यहां तक कि अनदेखी कक्षाओं के लिए भी
   • उन्हें प्रति कक्षा हजारों लेबल वाले उदाहरणों की आवश्यकता है
   • वे केवल निश्चित, पूर्वनिर्धारित श्रेणियों में वर्गीकृत करते हैं
   • वे प्रशिक्षण पहचान से परे सामान्यीकरण नहीं कर सकते
6. स्याम देश का नेटवर्क आम तौर पर यह कैसे तय करता है कि दो इनपुट मेल खाते हैं या नहीं?
   • उनके कच्चे पिक्सेल मानों को जोड़कर
   • एक सीमा के विरुद्ध उनके एम्बेडिंग वैक्टर के बीच की दूरी की तुलना करके
   • उपयोग की गई परतों की संख्या गिनकर
   • प्रत्येक को एक यादृच्छिक वर्ग लेबल निर्दिष्ट करके
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