Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący utraty trójek i uczenia się metryk

Przetestuj role kotwiczące-pozytywne-negatywne, separację marginesów, porównanie osadzania, normalizację i przykłady zerowej i aktywnej utraty trójki.

Powiązane ścieżki prowadząceStrata trójek i uczenie się metryk
Pytanie 1 z 8

Jakie trzy wejścia składają się na trójkę przy utracie trójki?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jakie trzy wejścia składają się na trójkę przy utracie trójki?
    • Kotwica, pozytywna i negatywna
    • Dane wejściowe, warstwa ukryta i dane wyjściowe
    • Zapytanie, klucz i wartość
    • Trenuj, waliduj i testuj próbki
  2. Dlaczego strata potrójna obejmuje termin depozytu zabezpieczającego?
    • Aby przyspieszyć mnożenie macierzy
    • Aby zwiększyć liczbę zajęć
    • Aby zapobiec zwijaniu się wszystkich osadzań w jednym punkcie, model musi się zmieścić
    • Aby zamienić odległości na prawdopodobieństwa
  3. Który słynny system z 2015 r. spopularyzował utratę trójek w rozpoznawaniu twarzy?
    • AlexNet
    • FaceNet
    • ResNet
    • BERT
  4. Co daje wyszkolony model uczenia się metryk dla każdego wejścia?
    • Tylko etykieta klasy
    • Obwiednia
    • Pojedynczy wynik prawdopodobieństwa
    • Wektor osadzania, którego odległości odzwierciedlają podobieństwo
  5. Dlaczego uczenie się metryczne dobrze sprawdza się w przypadku problemów o zbiorach otwartych, takich jak dodawanie nowych twarzy?
    • Przeszkola całą sieć dla każdej nowej tożsamości
    • Działa to tylko wtedy, gdy wszystkie klasy są znane z góry
    • Porównanie opiera się na dystansie, więc nowa tożsamość nie wymaga przekwalifikowania
    • Zapamiętuje stałą listę wyjść
  6. Osadzanie w uczeniu się metrycznym jest często znormalizowane L2. Jaki to ma skutek?
    • Umieszcza osady na jednostkowej hipersferze, dzięki czemu odległości pozostają ograniczone i porównywalne
    • Eliminuje to potrzebę stosowania jakiejkolwiek funkcji straty
    • Przekształca sieć w klasyfikator
    • Podwaja wymiar osadzania
  7. Under max(0, d(a,p) minus d(a,n) plus margin), d(a,p)=0.3, d(a,n)=0.8 and margin=0.2 yield what loss?
    • 0.3
    • 0.7
    • 1.3
    • 0
  8. A positive margin is 0.2 and every embedding collapses to the same point. What loss does that triplet formula give?
    • 0, because both distances are equal
    • 0.2, so collapse has not satisfied the separation objective
    • 1, regardless of the margin
    • A negative loss of minus 0.2