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.

Kapcsolódó útmutató utakOnline és kemény negatív bányászat
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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