Викторина, связанная с руководством · Средний Уровень

Сиамские сети и викторина о тройной потере

Проверяет общие кодеры, расстояния внедрения, поля триплета и то, как сильно отрицательные примеры влияют на обучающий сигнал. осторожно.

Связанные направляющие путиСиамские сети и потеря триплета
Вопрос 1 из 8

Какова определяющая архитектурная особенность сиамской сети?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какова определяющая архитектурная особенность сиамской сети?
    • Две или более идентичных ветвей с одинаковым весом.
    • Одна ветка без скрытых слоев
    • Отдельные сети с полностью независимыми весами
    • Рекуррентный цикл с временными шагами
  2. Каковы три входа при триплетной потере?
    • Ввод, скрытый, вывод
    • Якорь, положительный и отрицательный
    • Обучение, проверка, тестирование
    • Кодер, декодер, классификатор
  3. Что обеспечивает цель тройных потерь?
    • Якорь и негатив должны быть идентичными.
    • Все вложения должны свернуться в одну точку.
    • Расстояние с положительным привязкой должно быть немного меньше расстояния с отрицательным привязкой.
    • Положительный и отрицательный полюсы должны иметь одинаковое расстояние до якоря.
  4. Почему «жёстко-отрицательный майнинг» важен для обучения триплетным потерям?
    • Это лишает тренировки всего положительного.
    • Это делает сеть более мелкой
    • Он заменяет метрику расстояния меткой
    • Простые негативы уже удовлетворяют запасу и не дают полезного градиента.
  5. Какие возможности делают сиамские сети ценными для «однократного обучения»?
    • Они могут сравнить новый ввод с одной ссылкой и оценить сходство даже для невидимых классов.
    • Им нужны тысячи размеченных примеров на класс.
    • Они классифицируются только по фиксированным, заранее определенным категориям.
    • Они не могут делать обобщения, выходящие за рамки обучающих тождеств.
  6. Как сиамская сеть обычно определяет, совпадают ли два входа?
    • Суммируя их необработанные значения пикселей
    • Сравнивая расстояние между их векторами внедрения с порогом
    • Подсчитав количество использованных слоев
    • Присвоив каждому случайную метку класса
  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