Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Kontrasztív tanulási kvíz
Practice contrastive positive pairs, embedding collapse, and temperature-scaled similarity, including how MoCo queues differ from inference caches.
kérdés 1 -ból 8
Mi a kontrasztív tanulás alapvető célja?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi a kontrasztív tanulás alapvető célja?
- Húzza össze a hasonló (pozitív) párokat, és tolja szét a különböző (negatív) párokat a beágyazási térben
- Jósolja meg a kép pontos pixelértékeit
- Minden bemenetet besoroljon egy rögzített címkekészletbe
- Minimalizálja a modellparaméterek számát
- Egy önfelügyelt képmódszerben, mint például a SimCLR, hogyan jön létre általában a pozitív pár?
- Két különböző kép ugyanabból a címkézett osztályból
- Egy kép és egy véletlenszerűen kiválasztott kép az adatkészletből
- Ugyanannak a képnek két véletlenszerű kiegészítése (pl. kivágás, színrezgés).
- A szegmentációs maszkkal párosított kép
- Melyik veszteségfüggvény kapcsolódik leginkább a kontrasztív tanuláshoz?
- Átlagos négyzetes hiba
- InfoNCE
- Keresztentrópia az osztálycímkék felett
- Csuklás SVM-eknél
- Miért használnak olyan módszerek, mint a MoCo, memóriabankot vagy sort?
- Címkék tárolására felügyelt finomhangoláshoz
- A végső előrejelzések gyorsítótárazása a gyorsabb következtetés érdekében
- A modell tömörítéséhez mobileszközökhöz
- Sok negatív példa bemutatása anélkül, hogy óriási tételméretre lenne szükség
- Milyen probléma ellen védekezik kifejezetten a BYOL és a SimSiam kifejezetten negatívumok használata nélkül?
- Túlillesztés a képzési címkékre
- Felrobbanó gradiensek az optimalizálóban
- Az ábrázolás összeomlása, ahol minden beágyazás azonos lesz
- Eltűnő tanulási arány
- Hogyan terjeszti ki a CLIP a kontrasztos ötletet?
- Egy megosztott beágyazási területen igazítja a képeket a feliratokhoz
- Ugyanannak a hangfelvételnek két kiegészítését állítja szembe egymással
- Megszünteti a neurális hálózatok szükségességét
- Megerősítő tanulást használ a hasonlóság helyett
- A contrastive image encoder maps every photo to the same vector. Which failure does this illustrate?
- A useful separation of image categories
- An increase in the number of negative samples
- A perfect nearest-neighbor representation
- Representation collapse
- Why is MoCo’s training queue different from caching completed inference responses?
- It serves final chatbot responses without model execution
- It supplies encoded comparison examples for a contrastive training objective
- It replaces every positive image with a label
- It removes the need to update any encoder