แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
แบบทดสอบการขุดแบบลบแบบออนไลน์และแบบฮาร์ด
ทดสอบพูลออนไลน์และออฟไลน์ การเลือกแบบกลุ่มยากและกึ่งยาก ผลเชิงลบที่ทำให้เข้าใจผิด และการตรวจสอบผู้สมัครตามระยะทาง
คำถาม 1 ของ 8
เหตุใดผลเนกาทีฟสุ่มตัวอย่างส่วนใหญ่จึงให้สัญญาณการฝึกเพียงเล็กน้อยในการสูญเสียแฝดสาม
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- เหตุใดผลเนกาทีฟสุ่มตัวอย่างส่วนใหญ่จึงให้สัญญาณการฝึกเพียงเล็กน้อยในการสูญเสียแฝดสาม
- พวกเขามักจะติดป้ายกำกับผิด
- มีขนาดเล็กเกินไปที่จะใส่ไว้ในหน่วยความจำ
- พวกมันอยู่ห่างจากจุดยึดอยู่แล้ว ดังนั้นการสูญเสียและการไล่ระดับสีจึงใกล้ศูนย์
- พวกมันจะเท่ากับระยะบวกเสมอ
- การขุดออนไลน์แตกต่างจากการขุดออฟไลน์อย่างไร?
- การขุดออนไลน์ใช้อินเทอร์เน็ต ออฟไลน์ไม่ได้
- การขุดแบบออนไลน์จะเลือกตัวอย่างที่ชัดเจนภายในมินิแบทช์แต่ละชุดได้ทันที
- การขุดออนไลน์ใช้ได้กับข้อความเท่านั้น
- การขุดออนไลน์ไม่จำเป็นต้องมีการส่งต่อ
- ค่าลบ 'กึ่งยาก' ตามที่กำหนดไว้ใน FaceNet คืออะไร
- ค่าลบใกล้กับจุดบวกมากกว่าจุดยึด
- ค่าลบที่เท่ากับจุดยึดทุกประการ
- ค่าลบใดๆ ที่ถูกสุ่มเลือก
- ค่าลบอยู่ไกลกว่าค่าบวกแต่ยังอยู่ในระยะขอบ
- ในการขุดแบบ hard mining ค่าลบใดถูกเลือกสำหรับสมอแต่ละตัว
- ค่าลบที่ใกล้ที่สุดในชุด
- ค่าลบที่ไกลที่สุดในชุด
- เชิงลบแบบสุ่ม
- ค่าลบโดยมีระยะมัธยฐาน
- เหตุใดขนาดแบทช์ที่ใหญ่ขึ้นจึงมีแนวโน้มที่จะปรับปรุงผลลัพธ์การเรียนรู้การวัดผลที่ขุดได้
- จะช่วยลดมิติการฝัง
- ช่วยลดความจำเป็นในการมาร์จิ้น
- มันจะลบฟังก์ชันการสูญเสีย
- โดยจะให้ผลเชิงลบแบบฮาร์ดของผู้สมัครที่หลากหลายยิ่งขึ้นต่อขั้นตอน
- อะไรคือความเสี่ยงในการเลือกฟิล์มเนกาทีฟที่ยากที่สุด?
- มันง่ายเกินไปเสมอ
- พวกมันทำให้เมทริกซ์แบทช์เล็กลง
- อาจมีป้ายกำกับที่ไม่ถูกต้องหรือผลบวกที่เกือบจะซ้ำกันซึ่งทำให้การฝึกอบรมเสียหาย
- พวกเขาลบการไล่ระดับสีออกทั้งหมด
- 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