แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการสูญเสีย Triplet และการเรียนรู้แบบเมตริก

ทดสอบบทบาทสมอ-บวก-ลบ การแยกระยะขอบ การเปรียบเทียบแบบฝัง การทำให้เป็นมาตรฐาน และตัวอย่างการสูญเสียแฝดที่เป็นศูนย์เทียบกับที่ใช้งานอยู่

เส้นทางแนะนำที่เกี่ยวข้องการสูญเสีย Triplet และการเรียนรู้แบบเมตริก
คำถาม 1 ของ 8

อินพุตสามตัวใดที่ประกอบเป็นแฝดในการสูญเสียแฝด?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. อินพุตสามตัวใดที่ประกอบเป็นแฝดในการสูญเสียแฝด?
    • สมอ บวก และลบ
    • อินพุต เลเยอร์ที่ซ่อนอยู่ และเอาต์พุต
    • แบบสอบถาม คีย์ และค่า
    • ฝึกอบรม การตรวจสอบความถูกต้อง และการทดสอบตัวอย่าง
  2. เหตุใดการสูญเสีย Triplet จึงรวมระยะมาร์จิ้นด้วย
    • เพื่อเร่งการคูณเมทริกซ์
    • เพื่อเพิ่มจำนวนชั้นเรียน
    • เพื่อป้องกันไม่ให้โมเดลยุบการฝังทั้งหมดให้เหลือจุดเดียว
    • เพื่อแปลงระยะทางให้เป็นความน่าจะเป็น
  3. ระบบที่มีชื่อเสียงในปี 2558 ระบบใดที่ได้รับความนิยมในการสูญเสียแฝดสามสำหรับการจดจำใบหน้า
    • อเล็กซ์เน็ต
    • เฟซเน็ต
    • เรสเน็ต
    • เบิร์ต
  4. โมเดลการเรียนรู้การวัดผลที่ได้รับการฝึกอบรมสำหรับแต่ละอินพุตมีอะไรบ้าง
    • ป้ายกำกับชั้นเรียนเท่านั้น
    • กล่องขอบเขต
    • คะแนนความน่าจะเป็นเพียงคะแนนเดียว
    • เวกเตอร์แบบฝังซึ่งมีระยะทางสะท้อนถึงความคล้ายคลึงกัน
  5. เหตุใดการเรียนรู้แบบเมตริกจึงเหมาะสมกับปัญหาแบบเปิด เช่น การเพิ่มหน้าใหม่
    • โดยจะฝึกเครือข่ายทั้งหมดใหม่เพื่อระบุตัวตนใหม่แต่ละรายการ
    • ใช้งานได้เฉพาะเมื่อทราบคลาสทั้งหมดล่วงหน้าเท่านั้น
    • การเปรียบเทียบขึ้นอยู่กับระยะทาง ดังนั้นอัตลักษณ์ใหม่จึงไม่จำเป็นต้องฝึกอบรมใหม่
    • โดยจะจดจำรายการเอาต์พุตคงที่
  6. การฝังตัวในการเรียนรู้แบบเมตริกมักจะถูกทำให้เป็นมาตรฐาน L2 สิ่งนี้มีผลกระทบอะไรบ้าง?
    • โดยจะวางการฝังบนหน่วยไฮเปอร์สเฟียร์ ดังนั้นระยะทางจึงมีขอบเขตจำกัดและเปรียบเทียบได้
    • โดยไม่จำเป็นต้องมีฟังก์ชันการสูญเสียใดๆ อีกต่อไป
    • มันแปลงเครือข่ายให้เป็นลักษณนาม
    • มันเพิ่มมิติการฝังเป็นสองเท่า
  7. Under max(0, d(a,p) minus d(a,n) plus margin), d(a,p)=0.3, d(a,n)=0.8 and margin=0.2 yield what loss?
    • 0.3
    • 0.7
    • 1.3
    • 0
  8. A positive margin is 0.2 and every embedding collapses to the same point. What loss does that triplet formula give?
    • 0, because both distances are equal
    • 0.2, so collapse has not satisfied the separation objective
    • 1, regardless of the margin
    • A negative loss of minus 0.2