Questionário vinculado ao guia · Médio Nível

Questionário de suavização de rótulos

Abrange alvos suavizados e épsilon, efeitos de calibração dependentes de tarefas, compensações de destilação e por que os resultados dependem dos dados e do objetivo.

Caminhos de guia relacionadosSuavização de rótulos
Pergunta 1 de 8

O que a suavização de rótulos muda nas metas de treinamento?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. O que a suavização de rótulos muda nas metas de treinamento?
    • Ele suaviza alvos one-hot para que a classe verdadeira fique abaixo de 1,0 e outras ligeiramente acima de 0
    • Remove a função de perda
    • Exclui classes incorretas
    • Duplica a taxa de aprendizagem
  2. Um valor comum para o parâmetro de suavização épsilon é:
    • 0,9
    • 0,1
    • 5,0
    • 0,0
  3. 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
  4. Which landmark architectures are prominent examples of label-smoothing use?
    • AlexNet and LeNet only
    • ResNet-50 and VGG only
    • AlphaGo e AlphaZero
    • Inception-v3 e o Transformador
  5. 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
  6. Qual é a desvantagem documentada da suavização de rótulos?
    • Sempre reduz a precisão
    • Pode apagar a similaridade entre classes, prejudicando a destilação do conhecimento
    • Requer o dobro dos dados de treinamento
    • Só funciona em texto
  7. 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
  8. 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