Sieci syjamskie i quiz dotyczący utraty trójek

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaka jest charakterystyczna cecha architektoniczna sieci syjamskiej?
   • Dwie lub więcej identycznych gałęzi, które mają te same wagi
   • Pojedyncza gałąź bez ukrytych warstw
   • Oddzielne sieci z całkowicie niezależnymi wagami
   • Powtarzająca się pętla w krokach czasowych
2. Jakie są trzy wejścia w przypadku utraty tripletu?
   • Wejście, ukryte, wyjście
   • Kotwica, pozytywna i negatywna
   • Trenuj, waliduj, testuj
   • Koder, dekoder, klasyfikator
3. Co wymusza cel utraty potrójnej?
   • Kotwica i negatyw powinny być identyczne
   • Wszystkie osady powinny zwinąć się w jednym punkcie
   • Odległość dodatnia od kotwicy powinna być o pewien margines mniejsza niż odległość ujemna od kotwicy
   • Dodatni i ujemny powinny znajdować się w równej odległości od kotwicy
4. Dlaczego „wydobywanie twarde-ujemne” jest ważne w treningu strat potrójnych?
   • Usuwa wszystkie pozytywne strony treningu
   • To sprawia, że ​​sieć jest płytsza
   • Zastępuje metrykę odległości etykietą
   • Łatwe negatywy już spełniają margines i dają zerowy użyteczny gradient
5. Jakie możliwości sprawiają, że sieci syjamskie są przydatne w „jednorazowym uczeniu się”?
   • Mogą porównać nowe dane wejściowe z pojedynczym odniesieniem i ocenić podobieństwo, nawet w przypadku niewidzianych klas
   • Potrzebują tysięcy oznaczonych przykładów na zajęcia
   • Klasyfikują jedynie według ustalonych, z góry zdefiniowanych kategorii
   • Nie mogą generalizować poza szkoleniem tożsamości
6. W jaki sposób sieć syjamska zazwyczaj decyduje, czy dwa wejścia są zgodne?
   • Sumując ich surowe wartości pikseli
   • Porównując odległość między ich wektorami osadzania względem progu
   • Licząc liczbę użytych warstw
   • Przypisując każdemu losową etykietę klasy
7. 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
8. 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