Kuis terkait panduan · Sedang Tingkat

Kuis Penghalusan Label

Mencakup target dan epsilon yang diperhalus, efek kalibrasi yang bergantung pada tugas, pengorbanan distilasi, dan alasan hasil bergantung pada data dan tujuan.

Jalur panduan terkaitPenghalusan Label
Pertanyaan 1 dari 8

Apa perubahan perataan label pada target pelatihan?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa perubahan perataan label pada target pelatihan?
    • Ini memperlunak target one-hot sehingga kelas sebenarnya berada di bawah 1,0 dan yang lainnya sedikit di atas 0
    • Ini menghilangkan fungsi kerugian
    • Ini menghapus kelas yang salah
    • Ini menggandakan kecepatan pembelajaran
  2. Nilai umum untuk parameter penghalusan epsilon adalah:
    • 0,9
    • 0,1
    • 5.0
    • 0,0
  3. What is one intended effect of replacing hard one-hot targets with smoothed targets?
    • Force every class to have equal probability
    • Guarantee the largest possible logit for the true class
    • Avoid requiring the labeled class to receive a target probability of exactly one
    • Remove the need for labeled training data
  4. Which landmark architectures are prominent examples of label-smoothing use?
    • AlexNet and LeNet only
    • ResNet-50 and VGG only
    • AlphaGo dan AlphaZero
    • Inception-v3 dan Transformer
  5. What can label smoothing do to calibration?
    • It can improve calibration in some settings, but the effect is task- and model-dependent
    • It guarantees perfect calibration for every classifier
    • It cannot affect predicted probabilities
    • It always makes confidence equal accuracy
  6. Apa kelemahan perataan label yang terdokumentasi?
    • Itu selalu mengurangi akurasi
    • Hal ini dapat menghapus kesamaan antar kelas, sehingga mengganggu penyulingan pengetahuan
    • Ini membutuhkan dua kali data pelatihan
    • Ini hanya berfungsi pada teks
  7. Why can label smoothing complicate knowledge distillation?
    • It converts every class label into an image
    • It forces the student to use a different tokenizer
    • It can remove information in logits about similarities among incorrect classes
    • It prevents the teacher from producing logits
  8. What should a practitioner verify when comparing label-smoothing implementations?
    • Whether the model has a web browser
    • Whether training uses a validation filename
    • Whether logits are stored as text
    • Whether epsilon is distributed over all classes or only the non-target classes