Útmutatóhoz kapcsolódó kvíz · Kemény Szint
InfoNCE és SimCLR célkitűzések kvíz
Checks the InfoNCE positive-versus-negative objective, SimCLR’s views and projection head, and the roles of temperature and batch size.
kérdés 1 -ból 8
Mire ösztönöz egy modellt az InfoNCE célkitűzése?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mire ösztönöz egy modellt az InfoNCE célkitűzése?
- Tegye a lekérdezést inkább a valódi pozitívhoz, mint sok negatívhoz hasonlóvá
- Jegyezze meg az egyes képek pontos pixelértékeit
- Minimalizálja a modellparaméterek számát
- Megjósolni a következő szót a mondatban
- SimCLR-ben hogyan jön létre a pozitív pár?
- Úgy, hogy egy képet párosít az emberi címkéjével
- Két különböző véletlenszerű kiegészítés alkalmazásával ugyanarra a képre
- Két teljesen különböző kép kiválasztásával
- A teljes adatkészlet elforgatásával
- Milyen szerepet játszik a τ hőmérséklet az NT-Xent / InfoNCE-ben?
- Ez határozza meg a tanulási sebességet
- Automatikusan szabályozza a tétel méretét
- Méri a hasonlósági pontszámokat; Az alacsonyabb τ élesíti az eloszlást és kiemeli a kemény negatívokat
- Ez határozza meg a kódoló rétegeinek számát
- Mi történik a SimCLR vetítőfejével az előképzés után?
- Ez lesz a végső osztályozó
- Le van fagyasztva és kódolóként használják
- Következtetés céljából megkettőződik
- Eldobják; a fej előtti ábrázolást a downstream feladatokhoz használják
- Miért támaszkodott a SimCLR a nagy tételméretekre?
- Sok negatív példával szolgálni az egyes képzési lépéseken belül
- A memóriahasználat csökkentése érdekében
- A augmentációk használatának elkerülése érdekében
- A hőmérsékleti paraméter szükségességének kiküszöbölésére
- In SimCLR, which examples usually act as negatives for one anchor view?
- The matching view of the same image
- The other augmented views in the batch that come from different images
- Only examples with the same class label
- Views produced by a second encoder trained on labels
- Why does SimCLR use a nonlinear projection head before computing its contrastive loss?
- It replaces the image encoder
- It supplies class labels during pretraining
- The learned projection helps the contrastive objective while the representation before the head can transfer downstream
- It removes the need for data augmentation
- For an InfoNCE anchor, what should happen to the positive similarity relative to sampled negatives?
- Every negative should have a higher score than the positive
- All scores must be identical
- The positive is excluded from the objective
- The positive should receive a higher score than the negatives