ガイド連動クイズ · 中 レベル

ラベル スムージング クイズ

平滑化されたターゲットとイプシロン、タスク依存のキャリブレーション効果、蒸留のトレードオフ、および結果がデータと目的に依存する理由について説明します。

関連するガイドパスラベルのスムージング
質問 1 の 8

ラベルのスムージングは​​トレーニング ターゲットに関して何を変更しますか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. ラベルのスムージングは​​トレーニング ターゲットに関して何を変更しますか?
    • ワンホット ターゲットをソフト化するため、実際のクラスは 1.0 未満になり、他のクラスは 0 をわずかに上回るようになります。
    • 損失関数を削除します
    • 間違ったクラスを削除します
    • 学習率が2倍になります
  2. 平滑化パラメータイプシロンの一般的な値は次のとおりです。
    • 0.9
    • 0.1
    • 5.0
    • 0.0
  3. 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
  4. Which landmark architectures are prominent examples of label-smoothing use?
    • AlexNet and LeNet only
    • ResNet-50 and VGG only
    • アルファ碁とアルファゼロ
    • Inception-v3 とトランスフォーマー
  5. 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
  6. 文書化されたラベル スムージングの欠点は何ですか?
    • 常に精度が低下します
    • クラス間の細かい類似性が消去され、知識の蒸留が損なわれる可能性があります
    • 2 倍のトレーニング データが必要です
    • テキストでのみ機能します
  7. 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
  8. 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