Quiz collegato alla guida · Medio Livello

Quiz sulla personalizzazione delle etichette

Copre target uniformi ed epsilon, effetti di calibrazione dipendenti dall'attività, compromessi di distillazione e perché i risultati dipendono dai dati e dall'obiettivo.

Percorsi guida correlatiLevigatura delle etichette
Domanda 1 di 8

Cosa cambia il livellamento delle etichette sugli obiettivi di allenamento?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Cosa cambia il livellamento delle etichette sugli obiettivi di allenamento?
    • Attenua i bersagli one-hot, quindi la classe reale è inferiore a 1,0 e gli altri sono leggermente superiori a 0
    • Rimuove la funzione di perdita
    • Elimina le classi errate
    • Raddoppia il tasso di apprendimento
  2. Un valore comune per il parametro di livellamento epsilon è:
    • 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 e AlphaZero
    • Inception-v3 e il trasformatore
  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. Qual è uno svantaggio documentato della levigatura delle etichette?
    • Riduce sempre la precisione
    • Può cancellare le sottili somiglianze tra le classi, danneggiando la distillazione della conoscenza
    • Richiede il doppio dei dati di addestramento
    • Funziona solo sul testo
  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