Quiz collegato alla guida · Medio Livello
Perdita di triplette e quiz sull'apprendimento metrico
Testare i ruoli di ancoraggio-positivo-negativo, la separazione dei margini, il confronto di inclusione, la normalizzazione e gli esempi di perdita di triplette pari a zero rispetto a quelle attive.
Domanda 1 di 8
Quali tre input compongono una tripletta in perdita di tripletta?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quali tre input compongono una tripletta in perdita di tripletta?
- Ancoraggio, positivo e negativo
- Input, livello nascosto e output
- Query, chiave e valore
- Addestrare, convalidare e testare i campioni
- Perché la perdita di triplette include un termine di margine?
- Per accelerare la moltiplicazione delle matrici
- Per aumentare il numero delle classi
- Per evitare che il modello comprima tutti gli incorporamenti in un punto
- Convertire le distanze in probabilità
- Quale famoso sistema del 2015 ha reso popolare la perdita di triplette per il riconoscimento facciale?
- AlexNet
- FaceNet
- ResNet
- BERT
- Che cosa produce un modello di apprendimento metrico addestrato per ciascun input?
- Solo un'etichetta di classe
- Un riquadro di delimitazione
- Un unico punteggio di probabilità
- Un vettore di incorporamento le cui distanze riflettono la somiglianza
- Perché l'apprendimento metrico è adatto a problemi di tipo aperto come l'aggiunta di nuovi volti?
- Riqualifica l'intera rete per ogni nuova identità
- Funziona solo quando tutte le classi sono note in anticipo
- Il confronto si basa sulla distanza, quindi le nuove identità non necessitano di riqualificazione
- Memorizza una lista fissa di uscite
- Gli incorporamenti nell'apprendimento metrico sono spesso normalizzati in L2. Che effetto ha questo?
- Posiziona gli incorporamenti su un'ipersfera unitaria in modo che le distanze rimangano limitate e comparabili
- Elimina la necessità di qualsiasi funzione di perdita
- Converte la rete in un classificatore
- Raddoppia la dimensione di incorporamento
- Con max(0, d(a,p) meno d(a,n) più margine), d(a,p)=0.3, d(a,n)=0.8 e margine=0.2, quale perdita si ottiene?
- 0.3
- 0.7
- 1.3
- 0
- Un margine positivo è 0.2 e ogni embedding collassa nello stesso punto. Quale perdita restituisce quella formula tripla?
- 0, perché entrambe le distanze sono uguali
- 0.2, quindi il collasso non ha soddisfatto l'obiettivo di separazione
- 1, indipendentemente dal margine
- Una perdita negativa di meno 0.2