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.

  1. 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
  2. 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
  3. Quale famoso sistema del 2015 ha reso popolare la perdita di triplette per il riconoscimento facciale?
    • AlexNet
    • FaceNet
    • ResNet
    • BERT
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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