Siyam Ağları ve Üçlü Kayıp Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Siyam ağının belirleyici mimari özelliği nedir?
   • Aynı ağırlıkları paylaşan iki veya daha fazla özdeş dal
   • Gizli katmanları olmayan tek bir dal
   • Tamamen bağımsız ağırlıklara sahip ayrı ağlar
   • Zaman adımlarında yinelenen bir döngü
2. Üçlü kayıpta üç giriş nedir?
   • Giriş, gizli, çıkış
   • Çapa, pozitif ve negatif
   • Eğitim, doğrulama, test
   • Kodlayıcı, kod çözücü, sınıflandırıcı
3. Üçlü kayıp hedefi neyi zorunlu kılıyor?
   • Çapa ve negatif aynı olmalıdır
   • Tüm yerleştirmeler tek bir noktaya daraltılmalıdır
   • Çapa pozitif mesafesi çapa negatif mesafeden bir farkla daha küçük olmalıdır
   • Pozitif ve negatif, çapaya eşit mesafede olmalıdır
4. Üçlü kayıp eğitimi için 'kesin negatif madencilik' neden önemlidir?
   • Antrenmandaki tüm pozitiflikleri ortadan kaldırır
   • Ağı daha sığ hale getirir
   • Mesafe ölçüsünü bir etiketle değiştirir
   • Kolay negatifler zaten marjı karşılıyor ve sıfır kullanışlı degrade üretiyor
5. Siyam ağlarını 'tek seferde öğrenme' açısından değerli kılan yetenek nedir?
   • Yeni bir girişi tek bir referansla karşılaştırabilir ve görülmeyen sınıflar için bile benzerliği değerlendirebilirler.
   • Sınıf başına binlerce etiketli örneğe ihtiyaçları var
   • Yalnızca sabit, önceden tanımlanmış kategorilere göre sınıflandırılırlar
   • Eğitim kimliklerinin ötesinde genelleme yapamazlar
6. Bir Siyam ağı genellikle iki girişin eşleşip eşleşmediğine nasıl karar verir?
   • Ham piksel değerlerini toplayarak
   • Gömme vektörleri arasındaki mesafeyi bir eşikle karşılaştırarak
   • Kullanılan katman sayısını sayarak
   • Her birine rastgele bir sınıf etiketi atayarak
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