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.

Percorsi guida correlatiReti siamesi e perdita di triplette
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.

  1. 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
  2. Nella perdita di triplette, quali sono i tre input?
    • Ingresso, nascosto, uscita
    • Ancoraggio, positivo e negativo
    • Formazione, validazione, test
    • Codificatore, decodificatore, classificatore
  3. 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
  4. 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
  5. 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
  6. 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
  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