แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบเครือข่ายสยามและการสูญเสียแฝดสาม

ตรวจสอบตัวเข้ารหัสที่ใช้ร่วมกัน ระยะทางที่ฝัง ขอบแฝด และตัวอย่างเชิงลบที่ส่งผลต่อสัญญาณการเรียนรู้อย่างไร อย่างระมัดระวัง.

เส้นทางแนะนำที่เกี่ยวข้องเครือข่ายสยามและการสูญเสียแฝดสาม
คำถาม 1 ของ 8

คุณลักษณะทางสถาปัตยกรรมที่กำหนดของเครือข่ายสยามคืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. คุณลักษณะทางสถาปัตยกรรมที่กำหนดของเครือข่ายสยามคืออะไร?
    • สองกิ่งขึ้นไปที่เหมือนกันซึ่งมีน้ำหนักเท่ากัน
    • สาขาเดียวที่ไม่มีชั้นซ่อนเร้น
    • แยกเครือข่ายด้วยน้ำหนักที่เป็นอิสระอย่างสมบูรณ์
    • การวนซ้ำตามขั้นตอนของเวลา
  2. ในการสูญเสียแฝดสาม อินพุตทั้งสามคืออะไร?
    • อินพุต, ซ่อนเร้น, เอาท์พุต
    • สมอ บวก และลบ
    • ฝึกอบรม การตรวจสอบ การทดสอบ
    • ตัวเข้ารหัส ตัวถอดรหัส ตัวแยกประเภท
  3. วัตถุประสงค์การสูญเสียแฝดสามบังคับใช้อะไร?
    • Anchor และ Negative ควรเหมือนกัน
    • การฝังทั้งหมดควรยุบลงที่จุดเดียว
    • ระยะห่างของจุดยึดบวกควรน้อยกว่าระยะห่างของจุดยึดลบ
    • ค่าบวกและค่าลบควรมีระยะห่างจากจุดยึดเท่ากัน
  4. เหตุใด 'การขุดแบบฮาร์ดลบ' จึงมีความสำคัญสำหรับการฝึกการสูญเสียแฝด
    • มันลบข้อดีทั้งหมดออกจากการฝึกอบรม
    • มันทำให้เครือข่ายตื้นขึ้น
    • โดยจะแทนที่การวัดระยะทางด้วยป้ายกำกับ
    • ฟิล์มเนกาทีฟแบบง่ายตอบสนองระยะขอบแล้วและสร้างการไล่ระดับสีที่เป็นประโยชน์เป็นศูนย์
  5. ความสามารถใดที่ทำให้เครือข่ายสยามมีคุณค่าสำหรับ 'การเรียนรู้แบบนัดเดียว'
    • พวกเขาสามารถเปรียบเทียบอินพุตใหม่กับการอ้างอิงเดียวและตัดสินความคล้ายคลึงกัน แม้แต่คลาสที่มองไม่เห็นก็ตาม
    • พวกเขาต้องการตัวอย่างที่มีป้ายกำกับหลายพันรายการต่อชั้นเรียน
    • พวกมันจัดอยู่ในหมวดหมู่คงที่และกำหนดไว้ล่วงหน้าเท่านั้น
    • พวกเขาไม่สามารถสรุปได้นอกเหนือจากอัตลักษณ์การฝึกอบรม
  6. โดยทั่วไปแล้วเครือข่ายสยามจะตัดสินอย่างไรว่าอินพุตสองรายการตรงกันหรือไม่
    • โดยการรวมค่าพิกเซลดิบของพวกเขา
    • โดยการเปรียบเทียบระยะห่างระหว่างเวกเตอร์ที่ฝังกับเกณฑ์
    • โดยการนับจำนวนชั้นที่ใช้
    • โดยสุ่มป้ายกำกับคลาสให้แต่ละอัน
  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