แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบการขุดแบบลบแบบออนไลน์และแบบฮาร์ด

ทดสอบพูลออนไลน์และออฟไลน์ การเลือกแบบกลุ่มยากและกึ่งยาก ผลเชิงลบที่ทำให้เข้าใจผิด และการตรวจสอบผู้สมัครตามระยะทาง

เส้นทางแนะนำที่เกี่ยวข้องการขุดออนไลน์และการลบแบบฮาร์ด
คำถาม 1 ของ 8

เหตุใดผลเนกาทีฟสุ่มตัวอย่างส่วนใหญ่จึงให้สัญญาณการฝึกเพียงเล็กน้อยในการสูญเสียแฝดสาม

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. เหตุใดผลเนกาทีฟสุ่มตัวอย่างส่วนใหญ่จึงให้สัญญาณการฝึกเพียงเล็กน้อยในการสูญเสียแฝดสาม
    • พวกเขามักจะติดป้ายกำกับผิด
    • มีขนาดเล็กเกินไปที่จะใส่ไว้ในหน่วยความจำ
    • พวกมันอยู่ห่างจากจุดยึดอยู่แล้ว ดังนั้นการสูญเสียและการไล่ระดับสีจึงใกล้ศูนย์
    • พวกมันจะเท่ากับระยะบวกเสมอ
  2. การขุดออนไลน์แตกต่างจากการขุดออฟไลน์อย่างไร?
    • การขุดออนไลน์ใช้อินเทอร์เน็ต ออฟไลน์ไม่ได้
    • การขุดแบบออนไลน์จะเลือกตัวอย่างที่ชัดเจนภายในมินิแบทช์แต่ละชุดได้ทันที
    • การขุดออนไลน์ใช้ได้กับข้อความเท่านั้น
    • การขุดออนไลน์ไม่จำเป็นต้องมีการส่งต่อ
  3. ค่าลบ 'กึ่งยาก' ตามที่กำหนดไว้ใน FaceNet คืออะไร
    • ค่าลบใกล้กับจุดบวกมากกว่าจุดยึด
    • ค่าลบที่เท่ากับจุดยึดทุกประการ
    • ค่าลบใดๆ ที่ถูกสุ่มเลือก
    • ค่าลบอยู่ไกลกว่าค่าบวกแต่ยังอยู่ในระยะขอบ
  4. ในการขุดแบบ hard mining ค่าลบใดถูกเลือกสำหรับสมอแต่ละตัว
    • ค่าลบที่ใกล้ที่สุดในชุด
    • ค่าลบที่ไกลที่สุดในชุด
    • เชิงลบแบบสุ่ม
    • ค่าลบโดยมีระยะมัธยฐาน
  5. เหตุใดขนาดแบทช์ที่ใหญ่ขึ้นจึงมีแนวโน้มที่จะปรับปรุงผลลัพธ์การเรียนรู้การวัดผลที่ขุดได้
    • จะช่วยลดมิติการฝัง
    • ช่วยลดความจำเป็นในการมาร์จิ้น
    • มันจะลบฟังก์ชันการสูญเสีย
    • โดยจะให้ผลเชิงลบแบบฮาร์ดของผู้สมัครที่หลากหลายยิ่งขึ้นต่อขั้นตอน
  6. อะไรคือความเสี่ยงในการเลือกฟิล์มเนกาทีฟที่ยากที่สุด?
    • มันง่ายเกินไปเสมอ
    • พวกมันทำให้เมทริกซ์แบทช์เล็กลง
    • อาจมีป้ายกำกับที่ไม่ถูกต้องหรือผลบวกที่เกือบจะซ้ำกันซึ่งทำให้การฝึกอบรมเสียหาย
    • พวกเขาลบการไล่ระดับสีออกทั้งหมด
  7. 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
  8. 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