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.
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.
- 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
- Een algemene waarde voor de afvlakkingsparameter epsilon is:
- 0,9
- 0,1
- 5,0
- 0,0
- 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
- 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
- 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
- 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
- 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
- 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