Gids-gekoppelde quiz · Middelmatig Niveau

Quiz voor het gladmaken van labels

Behandelt afgevlakte doelen en epsilon, taakafhankelijke kalibratie-effecten, distillatie-afwegingen en waarom resultaten afhankelijk zijn van de gegevens en het doel.

Gerelateerde gidspadenEtiket gladmaken
Vraag 1 van 8

Wat verandert het afvlakken van labels met betrekking tot trainingsdoelen?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat verandert het afvlakken van labels met betrekking tot trainingsdoelen?
    • Het verzacht one-hot-doelen, zodat de echte klasse onder de 1,0 ligt en andere iets boven de 0
    • Het verwijdert de verliesfunctie
    • Het verwijdert onjuiste klassen
    • Het verdubbelt de leersnelheid
  2. Een algemene waarde voor de afvlakkingsparameter epsilon is:
    • 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
    • AlphaGo en AlphaZero
    • Inception-v3 en de Transformer
  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. Wat is een gedocumenteerd nadeel van het gladmaken van labels?
    • Het vermindert altijd de nauwkeurigheid
    • Het kan de fijne gelijkenis tussen klassen uitwissen, wat de distillatie van kennis schaadt
    • Het vereist tweemaal zoveel trainingsgegevens
    • Het werkt alleen op tekst
  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