แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
แบบทดสอบการเรียนรู้ที่ตรงกันข้าม
ฝึกคู่ที่เป็นบวกเชิงเปรียบเทียบ การฝังการล่มสลาย และความคล้ายคลึงกันในระดับอุณหภูมิ รวมถึงความแตกต่างของคิว MoCo จากแคชการอนุมาน
คำถาม 1 ของ 8
วัตถุประสงค์หลักของการเรียนรู้แบบเปรียบเทียบคืออะไร?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- วัตถุประสงค์หลักของการเรียนรู้แบบเปรียบเทียบคืออะไร?
- ดึงคู่ที่คล้ายกัน (บวก) เข้าด้วยกัน และดันคู่ที่ไม่เหมือนกัน (ลบ) ออกจากกันในพื้นที่ฝัง
- ทำนายค่าพิกเซลที่แน่นอนของรูปภาพ
- จำแนกทุกอินพุตให้เป็นชุดป้ายกำกับคงที่
- ลดจำนวนพารามิเตอร์โมเดลให้เหลือน้อยที่สุด
- ในวิธีการตรวจสอบภาพด้วยตนเอง เช่น SimCLR โดยทั่วไปแล้วคู่ที่เป็นบวกจะถูกสร้างขึ้นอย่างไร
- รูปภาพสองรูปที่แตกต่างกันของคลาสที่มีป้ายกำกับเดียวกัน
- รูปภาพและรูปภาพที่เลือกแบบสุ่มจากชุดข้อมูล
- การเพิ่มแบบสุ่มสองครั้ง (เช่น การครอบตัด การกระวนกระวายใจของสี) ของรูปภาพเดียวกัน
- รูปภาพจับคู่กับมาสก์การแบ่งส่วน
- ฟังก์ชั่นการสูญเสียใดที่เกี่ยวข้องกับการเรียนรู้แบบเปรียบเทียบมากที่สุด?
- ค่าคลาดเคลื่อนกำลังสองเฉลี่ย
- อินโฟเอ็นซ์
- ข้ามเอนโทรปีเหนือป้ายกำกับคลาส
- การสูญเสียบานพับสำหรับ SVM
- เหตุใดวิธีการเช่น MoCo จึงใช้ธนาคารหน่วยความจำหรือคิว
- เพื่อจัดเก็บฉลากสำหรับการปรับแต่งแบบละเอียดภายใต้การดูแล
- เพื่อแคชการคาดการณ์ขั้นสุดท้ายเพื่อการอนุมานที่รวดเร็วยิ่งขึ้น
- เพื่อบีบอัดโมเดลให้กับอุปกรณ์มือถือ
- เพื่อจัดหาตัวอย่างเชิงลบจำนวนมากโดยไม่จำเป็นต้องมีขนาดแบทช์มหาศาล
- BYOL และ SimSiam ป้องกันปัญหาอะไรโดยเฉพาะโดยไม่ใช้คำเชิงลบที่ชัดเจน?
- เหมาะสมกับฉลากการฝึกอบรมมากเกินไป
- การไล่ระดับสีแบบระเบิดในเครื่องมือเพิ่มประสิทธิภาพ
- การเป็นตัวแทนยุบลง โดยที่การฝังทั้งหมดจะเหมือนกัน
- อัตราการเรียนรู้ที่หายไป
- CLIP ขยายแนวคิดที่ขัดแย้งกันอย่างไร
- จัดแนวรูปภาพพร้อมคำบรรยายในพื้นที่ฝังที่ใช้ร่วมกัน
- มันตัดกันสองส่วนเสริมของคลิปเสียงเดียวกัน
- โดยจะขจัดความจำเป็นในการใช้โครงข่ายประสาทเทียมใดๆ
- ใช้การเรียนรู้แบบเสริมกำลังแทนความคล้ายคลึงกัน
- A contrastive image encoder maps every photo to the same vector. Which failure does this illustrate?
- A useful separation of image categories
- An increase in the number of negative samples
- A perfect nearest-neighbor representation
- Representation collapse
- Why is MoCo’s training queue different from caching completed inference responses?
- It serves final chatbot responses without model execution
- It supplies encoded comparison examples for a contrastive training objective
- It replaces every positive image with a label
- It removes the need to update any encoder