Gids-gekoppelde quiz · Middelmatig Niveau
Siamese netwerken en tripletverliesquiz
Controleert gedeelde encoders, inbeddingsafstanden, tripletmarges en hoe hard-negatieve voorbeelden het leersignaal beïnvloeden. voorzichtig.
Vraag 1 van 8
Wat is het bepalende architectonische kenmerk van een Siamees netwerk?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het bepalende architectonische kenmerk van een Siamees netwerk?
- Twee of meer identieke takken met hetzelfde gewicht
- Eén enkele tak zonder verborgen lagen
- Aparte netwerken met volledig onafhankelijke gewichten
- Een terugkerende lus in tijdstappen
- Wat zijn bij tripletverlies de drie inputs?
- Invoer, verborgen, uitvoer
- Anker, positief en negatief
- Trainen, valideren, testen
- Encoder, decoder, classificator
- Wat dwingt de triplet-verliesdoelstelling af?
- Anker en negatief moeten identiek zijn
- Alle inbedding zou tot één punt moeten samenvallen
- De ankerpositieve afstand moet met een marge kleiner zijn dan de ankernegatieve afstand
- Positief en negatief moeten een gelijke afstand tot het anker hebben
- Waarom is 'hard-negatieve mijnbouw' belangrijk voor tripletverliestraining?
- Het haalt alle positieve kanten uit de training
- Het maakt het netwerk ondieper
- Het vervangt de afstandsmetriek door een label
- Gemakkelijke negatieven voldoen al aan de marge en produceren een bruikbare gradiënt van nul
- Welke mogelijkheden maken Siamese netwerken waardevol voor ‘one-shot learning’?
- Ze kunnen een nieuwe invoer vergelijken met een enkele referentie en de gelijkenis beoordelen, zelfs voor onzichtbare klassen
- Ze hebben duizenden gelabelde voorbeelden per klas nodig
- Ze classificeren alleen in vaste, vooraf gedefinieerde categorieën
- Ze kunnen niet verder generaliseren dan trainingsidentiteiten
- Hoe beslist een Siamees netwerk doorgaans of twee ingangen overeenkomen?
- Door hun onbewerkte pixelwaarden op te tellen
- Door de afstand tussen hun inbeddingsvectoren te vergelijken met een drempelwaarde
- Door het aantal gebruikte lagen te tellen
- Door elk een willekeurig klassenlabel toe te wijzen
- For triplet loss max(0, d(a,p) − d(a,n) + m), let d(a,p)=0.2, d(a,n)=0.8 and m=0.3. What is the loss?
- 0.3
- 0,5
- 0
- 1.1
- What happens when a negative example is already farther from the anchor than the required margin?
- The anchor and positive embeddings are discarded
- The loss forces the negative closer to the anchor
- The network switches to classification mode
- The triplet loss becomes zero and that example gives no useful gradient