Quiz collegato alla guida · Medio Livello
Reti siamesi e quiz sulla perdita di triplette
Controlla i codificatori condivisi, le distanze di incorporamento, i margini delle triplette e il modo in cui gli esempi fortemente negativi influiscono sul segnale di apprendimento. accuratamente.
Domanda 1 di 8
Qual è la caratteristica architettonica che definisce una rete siamese?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è la caratteristica architettonica che definisce una rete siamese?
- Due o più rami identici che condividono gli stessi pesi
- Un unico ramo senza strati nascosti
- Reti separate con pesi completamente indipendenti
- Un ciclo ricorrente nel tempo
- Nella perdita di triplette, quali sono i tre input?
- Ingresso, nascosto, uscita
- Ancoraggio, positivo e negativo
- Formazione, validazione, test
- Codificatore, decodificatore, classificatore
- Cosa impone l’obiettivo della perdita di triplette?
- Ancoraggio e negativo dovrebbero essere identici
- Tutti gli incorporamenti dovrebbero collassare in un unico punto
- La distanza ancora positiva deve essere inferiore alla distanza ancora negativa di un margine
- Il positivo e il negativo dovrebbero avere la stessa distanza dall'ancora
- Perché il "mining hard-negativo" è importante per l'addestramento alla perdita di triplette?
- Rimuove tutti gli aspetti positivi dell'allenamento
- Rende la rete meno profonda
- Sostituisce la metrica della distanza con un'etichetta
- I negativi facili soddisfano già il margine e producono un gradiente utile pari a zero
- Quale capacità rende le reti siamesi preziose per l'apprendimento "one-shot"?
- Possono confrontare un nuovo input con un singolo riferimento e giudicare la somiglianza, anche per classi invisibili
- Hanno bisogno di migliaia di esempi etichettati per classe
- Si classificano solo in categorie fisse e predefinite
- Non possono generalizzare oltre le identità formative
- In che modo una rete siamese decide tipicamente se due input corrispondono?
- Sommando i valori dei pixel grezzi
- Confrontando la distanza tra i loro vettori di incorporamento rispetto a una soglia
- Contando il numero di strati utilizzati
- Assegnando a ciascuno un'etichetta di classe casuale
- 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
- 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