Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący wygładzania etykiet

Obejmuje wygładzone cele i epsilon, efekty kalibracji zależne od zadania, kompromisy w zakresie destylacji oraz dlaczego wyniki zależą od danych i celu.

Powiązane ścieżki prowadząceWygładzanie etykiet
Pytanie 1 z 8

Co wygładzanie etykiet zmienia w odniesieniu do celów treningowych?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Co wygładzanie etykiet zmienia w odniesieniu do celów treningowych?
    • Zmiękcza cele typu one-hot, więc prawdziwa klasa jest poniżej 1,0, a inne są nieco powyżej 0
    • Usuwa funkcję straty
    • Usuwa nieprawidłowe klasy
    • Podwaja tempo uczenia się
  2. Typową wartością parametru wygładzania epsilon jest:
    • 0,9
    • 0,1
    • 5,0
    • 0,0
  3. Jaki jest zamierzony efekt zastąpienia twardych, gorących celów celami wygładzonymi?
    • Wymuś, aby każda klasa miała równe prawdopodobieństwo
    • Gwarantuję największy możliwy logit dla prawdziwej klasy
    • Unikaj wymagania, aby oznaczona klasa otrzymywała docelowe prawdopodobieństwo dokładnie jeden
    • Usuń potrzebę etykietowanych danych szkoleniowych
  4. Które charakterystyczne architektury są wybitnymi przykładami zastosowania wygładzania etykiet?
    • Tylko AlexNet i LeNet
    • Tylko ResNet-50 i VGG
    • AlphaGo i AlphaZero
    • Incepcja-v3 i Transformator
  5. Co wygładzanie etykiet może zrobić z kalibracją?
    • Może poprawić kalibrację w niektórych ustawieniach, ale efekt zależy od zadania i modelu
    • Gwarantuje doskonałą kalibrację dla każdego klasyfikatora
    • Nie może wpływać na przewidywane prawdopodobieństwa
    • Zawsze sprawia, że pewność jest równa dokładności
  6. Jaka jest udokumentowana wada wygładzania etykiet?
    • To zawsze zmniejsza dokładność
    • Może wymazać drobne podobieństwa międzyklasowe, szkodząc destylacji wiedzy
    • Wymaga dwukrotnie większej ilości danych treningowych
    • Działa tylko na tekście
  7. Dlaczego wygładzanie etykiet może komplikować destylację wiedzy?
    • Konwertuje każdą etykietę klasy na obraz
    • Zmusza ucznia do użycia innego tokenizera
    • Może usunąć z logitów informację o podobieństwach pomiędzy niepoprawnymi klasami
    • Uniemożliwia nauczycielowi tworzenie logitów
  8. Co powinien zweryfikować specjalista, porównując wdrożenia wygładzania etykiet?
    • Czy model ma przeglądarkę internetową
    • Określa, czy szkolenie używa nazwy pliku walidacyjnego
    • Określa, czy logity są przechowywane jako tekst
    • Czy epsilon jest dystrybuowany pomiędzy wszystkimi klasami, czy tylko klasami innymi niż docelowe