Questionário vinculado ao guia · Médio Nível

Questionário sobre perda de trigêmeos e aprendizado de métricas

Teste papéis âncora-positivo-negativo, separação de margem, comparação de incorporação, normalização e exemplos de perda tripla zero versus ativa.

Caminhos de guia relacionadosPerda tripla e aprendizagem métrica
Pergunta 1 de 8

Quais são as três entradas que constituem um trigêmeo na perda de trigêmeos?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Quais são as três entradas que constituem um trigêmeo na perda de trigêmeos?
    • Âncora, positiva e negativa
    • Entrada, camada oculta e saída
    • Consulta, chave e valor
    • Treinar, validar e testar amostras
  2. Por que a perda tripla inclui um termo de margem?
    • Para acelerar a multiplicação de matrizes
    • Para aumentar o número de aulas
    • Para evitar que o modelo reduza todos os embeddings a um ponto
    • Para converter distâncias em probabilidades
  3. Qual famoso sistema de 2015 popularizou a perda de trigêmeos para reconhecimento facial?
    • Alex Net
    • FaceNet
    • ResNet
    • BERTO
  4. O que um modelo de aprendizagem métrica treinado produz para cada entrada?
    • Apenas um rótulo de classe
    • Uma caixa delimitadora
    • Uma única pontuação de probabilidade
    • Um vetor de incorporação cujas distâncias refletem similaridade
  5. Por que o aprendizado métrico é adequado para problemas abertos, como adicionar novas faces?
    • Ele treina toda a rede para cada nova identidade
    • Só funciona quando todas as aulas são conhecidas com antecedência
    • A comparação depende da distância, portanto novas identidades não precisam de reciclagem
    • Ele memoriza uma lista fixa de saídas
  6. As incorporações na aprendizagem métrica são frequentemente normalizadas em L2. Que efeito isso tem?
    • Ele coloca incorporações em uma hiperesfera unitária para que as distâncias permaneçam limitadas e comparáveis
    • Elimina a necessidade de qualquer função de perda
    • Ele converte a rede em um classificador
    • Duplica a dimensão de incorporação
  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