Rehber bağlantılı sınav · Sert Seviye
Çevrimiçi ve Sert Negatif Madencilik Testi
Çevrimiçi ve çevrimdışı havuzları, toplu ve yarı zor seçimi, yanıltıcı negatifleri ve mesafeye dayalı aday kontrollerini test edin.
Soru 1 arasında 8
Rastgele örneklenen negatiflerin çoğu neden üçlü kayıpta çok az eğitim sinyali sağlıyor?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- Rastgele örneklenen negatiflerin çoğu neden üçlü kayıpta çok az eğitim sinyali sağlıyor?
- Genellikle yanlış etiketlenirler
- Hafızaya sığmayacak kadar küçükler
- Zaten çapadan uzaktalar, dolayısıyla kayıp ve eğim sıfıra yakın
- Her zaman pozitif mesafeye eşittirler
- Çevrimiçi madenciliği çevrimdışı madencilikten ayıran nedir?
- Çevrimiçi madencilik interneti kullanır; çevrimdışı yok
- Çevrimiçi madencilik, her mini partideki zor örnekleri anında seçer
- Çevrimiçi madencilik yalnızca metin üzerinde çalışır
- Çevrimiçi madencilik ileri geçiş gerektirmez
- FaceNet'te tanımlandığı şekliyle 'yarı sert' negatif nedir?
- Çıpaya pozitiften daha yakın bir negatif
- Çapaya tam olarak eşit olan bir negatif
- Rastgele seçilen herhangi bir negatif
- Negatif, pozitiften daha uzak ama yine de marjın içinde
- Toplu sert madencilikte her bir çapa için hangi negatif seçilir?
- Gruptaki en yakın negatif
- Gruptaki en uzak negatif
- Rastgele bir negatif
- Medyan mesafeli negatif
- Neden daha büyük parti boyutu, çıkarılan metrik öğrenme sonuçlarını iyileştirme eğiliminde?
- Gömme boyutunu azaltır
- Marj ihtiyacını ortadan kaldırır
- Kayıp fonksiyonunu ortadan kaldırır
- Adım başına daha zengin bir aday kesin negatif havuzu sağlar
- Mutlak en zor negatifleri seçmenin bilinen riski nedir?
- Bunlar her zaman çok kolaydır
- Toplu matrisi küçültüyorlar
- Yanlış etiketlenmiş veya eğitimi bozan neredeyse kopyalanmış pozitifler olabilirler.
- Degradeyi tamamen kaldırıyorlar
- 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