Викторина, связанная с руководством · Жесткий Уровень
Онлайн-викторина и викторина «Жесткий негативный майнинг»
Тестируйте онлайн-пулы и офлайн-пулы, пакетный и полужесткий отбор, вводящие в заблуждение отрицательные результаты и дистанционные проверки кандидатов.
Вопрос 1 из 8
Почему большинство случайно выбранных негативов дают мало обучающего сигнала при потере триплета?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Почему большинство случайно выбранных негативов дают мало обучающего сигнала при потере триплета?
- Обычно их неправильно маркируют
- Они слишком малы, чтобы поместиться в памяти
- Они уже далеко от якоря, поэтому потери и градиент близки к нулю.
- Они всегда равны положительному расстоянию
- Что отличает онлайн-майнинг от оффлайн-майнинга?
- Онлайн-майнинг использует Интернет; офлайн нет
- Онлайн-майнинг выбирает сложные примеры в каждой мини-партии на лету.
- Онлайн-майнинг работает только с текстом
- Онлайн-майнинг не требует прямого прохода
- Что такое «полутвердый» негатив по определению в FaceNet?
- Негатив ближе к якорю, чем позитив.
- Негатив, который точно равен якорю
- Любой случайно выбранный негатив
- Отрицательное значение дальше положительного, но все же в пределах нормы.
- При пакетном майнинге какой минус выбирается для каждого якоря?
- Ближайший минус в партии
- Самый дальний негатив в партии
- Случайный негатив
- Отрицательное значение со срединным расстоянием
- Почему больший размер партии имеет тенденцию улучшать результаты обучения по метрикам?
- Это уменьшает размер встраивания
- Это устраняет необходимость в марже
- Удаляет функцию потерь
- Это обеспечивает более богатый пул кандидатов-кандидатов на каждый шаг.
- Каков известный риск выбора самых сложных негативов?
- Они всегда слишком легкие
- Они уменьшают матрицу партии
- Они могут быть неправильно маркированы или почти дублировать положительные результаты, которые искажают обучение.
- Они полностью удаляют градиент
- With positive distance 0.4 and margin 0.2, which negative distance is semi-hard under the described rule?
- 0,5
- 0,2
- 0,8
- 1.1
- Why does ordinary online mining within one minibatch not necessarily find the hardest negative in the entire dataset?
- Every batch contains the complete dataset
- Its available candidate pool is the examples in that batch
- Distance calculations prove no other examples exist
- The model discards all negative labels