แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบเครือข่ายสยามและการสูญเสียแฝดสาม
ตรวจสอบตัวเข้ารหัสที่ใช้ร่วมกัน ระยะทางที่ฝัง ขอบแฝด และตัวอย่างเชิงลบที่ส่งผลต่อสัญญาณการเรียนรู้อย่างไร อย่างระมัดระวัง.
คำถาม 1 ของ 8
คุณลักษณะทางสถาปัตยกรรมที่กำหนดของเครือข่ายสยามคืออะไร?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- คุณลักษณะทางสถาปัตยกรรมที่กำหนดของเครือข่ายสยามคืออะไร?
- สองกิ่งขึ้นไปที่เหมือนกันซึ่งมีน้ำหนักเท่ากัน
- สาขาเดียวที่ไม่มีชั้นซ่อนเร้น
- แยกเครือข่ายด้วยน้ำหนักที่เป็นอิสระอย่างสมบูรณ์
- การวนซ้ำตามขั้นตอนของเวลา
- ในการสูญเสียแฝดสาม อินพุตทั้งสามคืออะไร?
- อินพุต, ซ่อนเร้น, เอาท์พุต
- สมอ บวก และลบ
- ฝึกอบรม การตรวจสอบ การทดสอบ
- ตัวเข้ารหัส ตัวถอดรหัส ตัวแยกประเภท
- วัตถุประสงค์การสูญเสียแฝดสามบังคับใช้อะไร?
- Anchor และ Negative ควรเหมือนกัน
- การฝังทั้งหมดควรยุบลงที่จุดเดียว
- ระยะห่างของจุดยึดบวกควรน้อยกว่าระยะห่างของจุดยึดลบ
- ค่าบวกและค่าลบควรมีระยะห่างจากจุดยึดเท่ากัน
- เหตุใด 'การขุดแบบฮาร์ดลบ' จึงมีความสำคัญสำหรับการฝึกการสูญเสียแฝด
- มันลบข้อดีทั้งหมดออกจากการฝึกอบรม
- มันทำให้เครือข่ายตื้นขึ้น
- โดยจะแทนที่การวัดระยะทางด้วยป้ายกำกับ
- ฟิล์มเนกาทีฟแบบง่ายตอบสนองระยะขอบแล้วและสร้างการไล่ระดับสีที่เป็นประโยชน์เป็นศูนย์
- ความสามารถใดที่ทำให้เครือข่ายสยามมีคุณค่าสำหรับ 'การเรียนรู้แบบนัดเดียว'
- พวกเขาสามารถเปรียบเทียบอินพุตใหม่กับการอ้างอิงเดียวและตัดสินความคล้ายคลึงกัน แม้แต่คลาสที่มองไม่เห็นก็ตาม
- พวกเขาต้องการตัวอย่างที่มีป้ายกำกับหลายพันรายการต่อชั้นเรียน
- พวกมันจัดอยู่ในหมวดหมู่คงที่และกำหนดไว้ล่วงหน้าเท่านั้น
- พวกเขาไม่สามารถสรุปได้นอกเหนือจากอัตลักษณ์การฝึกอบรม
- โดยทั่วไปแล้วเครือข่ายสยามจะตัดสินอย่างไรว่าอินพุตสองรายการตรงกันหรือไม่
- โดยการรวมค่าพิกเซลดิบของพวกเขา
- โดยการเปรียบเทียบระยะห่างระหว่างเวกเตอร์ที่ฝังกับเกณฑ์
- โดยการนับจำนวนชั้นที่ใช้
- โดยสุ่มป้ายกำกับคลาสให้แต่ละอัน
- 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
- 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