Quiz collegato alla guida · Difficile Livello
InfoNCE e SimCLR Obiettivi Quiz
Controlla l'obiettivo positivo/negativo InfoNCE, le viste e la testa di proiezione di SimCLR, nonché i ruoli della temperatura e delle dimensioni del batch.
Domanda 1 di 8
Cosa incoraggia un modello a fare l’obiettivo InfoNCE?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa incoraggia un modello a fare l’obiettivo InfoNCE?
- Rendi una query più simile al suo vero positivo che a molti aspetti negativi
- Memorizza i valori esatti dei pixel di ciascuna immagine
- Ridurre al minimo il numero di parametri del modello
- Predire la parola successiva in una frase
- In SimCLR, come viene creata una coppia positiva?
- Abbinando un'immagine alla sua etichetta umana
- Applicando due diversi aumenti casuali alla stessa immagine
- Scegliendo due immagini completamente diverse
- Ruotando l'intero set di dati
- Che ruolo gioca la temperatura τ in NT-Xent / InfoNCE?
- Imposta il tasso di apprendimento
- Controlla automaticamente la dimensione del batch
- Ridimensiona i punteggi di somiglianza; un τ inferiore affina la distribuzione ed enfatizza i negativi duri
- Determina il numero di strati nel codificatore
- Cosa succede alla testa di proiezione di SimCLR dopo il preaddestramento?
- Diventa il classificatore finale
- Viene congelato e utilizzato come codificatore
- È duplicato per deduzione
- Viene scartato; la rappresentazione davanti alla testa viene utilizzata per i compiti a valle
- Perché SimCLR si affidava a lotti di grandi dimensioni?
- Fornire molti esempi negativi all'interno di ogni fase della formazione
- Per ridurre l'utilizzo della memoria
- Per evitare l'uso di potenziamenti
- Per eliminare la necessità di un parametro di temperatura
- 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