Gids-gekoppelde quiz · Moeilijk Niveau
InfoNCE en SimCLR Doelstellingenquiz
Controleert de positieve versus negatieve doelstelling van InfoNCE, de weergaven en projectiekop van SimCLR, en de rol van temperatuur en batchgrootte.
Vraag 1 van 8
Waartoe moedigt de InfoNCE-doelstelling een model aan?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Waartoe moedigt de InfoNCE-doelstelling een model aan?
- Zorg ervoor dat een zoekopdracht meer lijkt op de echte positieve resultaten dan op veel negatieve resultaten
- Onthoud de exacte pixelwaarden van elke afbeelding
- Minimaliseer het aantal modelparameters
- Voorspel het volgende woord in een zin
- Hoe wordt in SimCLR een positief paar gecreëerd?
- Door een afbeelding te koppelen aan het menselijke label
- Door twee verschillende willekeurige augmentaties op hetzelfde beeld toe te passen
- Door te kiezen voor twee totaal verschillende beelden
- Door de gehele dataset te roteren
- Welke rol speelt de temperatuur τ in NT-Xent / InfoNCE?
- Het bepaalt het leertempo
- Het regelt automatisch de batchgrootte
- Het schaalt de gelijkenisscores; een lagere τ scherpt de verdeling aan en benadrukt harde negatieven
- Het bepaalt het aantal lagen in de encoder
- Wat gebeurt er met de projectiekop van SimCLR na de voortraining?
- Het wordt de laatste classificator
- Het is bevroren en gebruikt als encoder
- Het wordt gedupliceerd voor gevolgtrekking
- Het wordt weggegooid; de weergave vóór het hoofd wordt gebruikt voor stroomafwaartse taken
- Waarom vertrouwde SimCLR op grote batchgroottes?
- Om binnen elke trainingsstap veel negatieve voorbeelden te geven
- Om het geheugengebruik te verminderen
- Om het gebruik van augmentaties te vermijden
- Om de noodzaak van een temperatuurparameter te elimineren
- In SimCLR, which examples usually act as negatives for one anchor view?
- The matching view of the same image
- The other augmented views in the batch that come from different images
- Only examples with the same class label
- Views produced by a second encoder trained on labels
- Why does SimCLR use a nonlinear projection head before computing its contrastive loss?
- It replaces the image encoder
- It supplies class labels during pretraining
- The learned projection helps the contrastive objective while the representation before the head can transfer downstream
- It removes the need for data augmentation
- For an InfoNCE anchor, what should happen to the positive similarity relative to sampled negatives?
- Every negative should have a higher score than the positive
- All scores must be identical
- The positive is excluded from the objective
- The positive should receive a higher score than the negatives