Kuis terkait panduan · Sedang Tingkat

Jaringan Siam dan Kuis Kerugian Triplet

Memeriksa pembuat enkode bersama, jarak penyematan, margin triplet, dan bagaimana contoh negatif keras memengaruhi sinyal pembelajaran. dengan hati-hati.

Jalur panduan terkaitJaringan Siam Dan Kerugian Triplet
Pertanyaan 1 dari 8

Apa ciri arsitektur yang menentukan dari jaringan Siam?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa ciri arsitektur yang menentukan dari jaringan Siam?
    • Dua atau lebih cabang identik yang mempunyai bobot sama
    • Satu cabang tanpa lapisan tersembunyi
    • Pisahkan jaringan dengan bobot yang sepenuhnya independen
    • Perulangan berulang seiring berjalannya waktu
  2. Dalam kerugian triplet, apa tiga masukannya?
    • Masukan, tersembunyi, keluaran
    • Jangkar, positif, dan negatif
    • Latih, validasi, tes
    • Encoder, decoder, pengklasifikasi
  3. Apa yang ditegakkan oleh tujuan kerugian triplet?
    • Jangkar dan negatif harus identik
    • Semua embeddings harus diciutkan ke satu titik
    • Jarak jangkar-positif harus lebih kecil dari jarak jangkar-negatif dengan margin
    • Positif dan negatif harus memiliki jarak yang sama ke jangkar
  4. Mengapa 'penambangan negatif keras' penting untuk pelatihan kerugian triplet?
    • Ini menghilangkan semua hal positif dari pelatihan
    • Itu membuat jaringan menjadi lebih dangkal
    • Ini menggantikan metrik jarak dengan label
    • Negatif mudah sudah memenuhi margin dan menghasilkan nol gradien yang berguna
  5. Kemampuan apa yang membuat jaringan Siam berharga untuk 'pembelajaran sekali pakai'?
    • Mereka dapat membandingkan masukan baru dengan satu referensi dan menilai kesamaannya, bahkan untuk kelas yang tidak terlihat
    • Mereka membutuhkan ribuan contoh berlabel per kelas
    • Mereka hanya mengklasifikasikan ke dalam kategori tetap dan telah ditentukan sebelumnya
    • Mereka tidak dapat melakukan generalisasi di luar identitas pelatihan
  6. Bagaimana jaringan Siam biasanya memutuskan apakah dua input cocok?
    • Dengan menjumlahkan nilai piksel mentahnya
    • Dengan membandingkan jarak antara vektor penyematannya terhadap ambang batas
    • Dengan menghitung jumlah lapisan yang digunakan
    • Dengan menugaskan masing-masing label kelas acak
  7. For triplet loss max(0, d(a,p) − d(a,n) + m), let d(a,p)=0.2, d(a,n)=0.8 and m=0.3. What is the loss?
    • 0,3
    • 0,5
    • 0
    • 1.1
  8. What happens when a negative example is already farther from the anchor than the required margin?
    • The anchor and positive embeddings are discarded
    • The loss forces the negative closer to the anchor
    • The network switches to classification mode
    • The triplet loss becomes zero and that example gives no useful gradient