Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Online és kemény negatív bányászati kvíz
Test online versus offline pools, batch-hard and semi-hard selection, misleading negatives, and distance-based candidate checks.
kérdés 1 -ból 8
Miért ad a legtöbb véletlenszerűen mintavételezett negatív kevés képzési jelet a triplet elvesztésében?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Miért ad a legtöbb véletlenszerűen mintavételezett negatív kevés képzési jelet a triplet elvesztésében?
- Általában rosszul vannak felcímkézve
- Túl kicsik ahhoz, hogy elférjenek a memóriában
- Már messze vannak a horgonytól, így a veszteség és a gradiens közel nulla
- Mindig egyenlő a pozitív távolsággal
- Mi különbözteti meg az online bányászatot az offline bányászattól?
- Az online bányászat az internetet használja; offline nem
- Az online bányászat menet közben kiválasztja a kemény példákat minden mini-kötegre
- Az online bányászat csak szövegen működik
- Az online bányászathoz nincs szükség előrelépésre
- Mi az a „félkemény” negatív a FaceNetben?
- Egy negatív közelebb van a horgonyhoz, mint a pozitív
- Egy negatívum, amely pontosan megegyezik a horgonnyal
- Bármely véletlenszerűen kiválasztott negatív
- A negatívnál távolabb, mint a pozitív, de még mindig a margón belül van
- A kötegelt bányászat során melyik negatívot választják az egyes horgonyokhoz?
- A köteg legközelebbi negatívja
- A legtávolabbi negatív a kötegben
- Véletlen negatív
- A negatív a medián távolsággal
- Miért javítja a nagyobb kötegméret a bányászott metrikus tanulási eredményeket?
- Csökkenti a beágyazás méretét
- Kiküszöböli a margó szükségességét
- Eltávolítja a veszteség funkciót
- Lépésenként gazdagabb jelölt kemény negatívokat biztosít
- Mi az ismert kockázat az abszolút legkeményebb negatívumok kiválasztásában?
- Mindig túl könnyűek
- Kisebbé teszik a kötegmátrixot
- Előfordulhat, hogy rosszul vannak felcímkézve, vagy csaknem ismétlődő pozitívumok, amelyek megrongálják a képzést
- Teljesen eltávolítják a gradienst
- With positive distance 0.4 and margin 0.2, which negative distance is semi-hard under the described rule?
- 0.5
- 0.2
- 0.8
- 1.1
- Why does ordinary online mining within one minibatch not necessarily find the hardest negative in the entire dataset?
- Every batch contains the complete dataset
- Its available candidate pool is the examples in that batch
- Distance calculations prove no other examples exist
- The model discards all negative labels