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.
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.
- 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
- Un valore comune per il parametro di livellamento epsilon è:
- 0.9
- 0,1
- 5.0
- 0,0
- 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
- 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
- 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
- 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
- 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
- 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