Вікторина, пов’язана з посібником · важко Рівень

Контрастивна навчальна вікторина

Практикуйте контрастні додатні пари, згортання вбудовування та подібність у шкалі температури, зокрема те, чим черги MoCo відрізняються від кеш-пам’яті висновків.

Пов'язані напрямні шляхиКонтрастивне навчання
Питання 1 з 8

Яка основна мета порівняльного навчання?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яка основна мета порівняльного навчання?
    • Стягніть схожі (позитивні) пари разом і розштовхніть різні (негативні) пари в просторі вбудовування
    • Передбачте точні значення пікселів зображення
    • Класифікуйте кожен вхід за одним із фіксованого набору міток
    • Зведіть до мінімуму кількість параметрів моделі
  2. Як зазвичай створюється позитивна пара в методі зображення із самоконтролем, наприклад SimCLR?
    • Два різних зображення одного класу з мітками
    • Зображення та випадково вибране зображення з набору даних
    • Два випадкових доповнення (наприклад, кадрування, коливання кольорів) одного зображення
    • Зображення в парі з його маскою сегментації
  3. Яка функція втрати найбільш пов’язана з контрастним навчанням?
    • Середня квадратична помилка
    • InfoNCE
    • Перехресна ентропія над мітками класів
    • Втрата шарніра для SVM
  4. Чому такі методи, як MoCo, використовують банк пам’яті або чергу?
    • Зберігати мітки для контрольованого тонкого налаштування
    • Кешувати остаточні прогнози для швидшого висновку
    • Щоб стиснути модель для мобільних пристроїв
    • Щоб надати багато негативних прикладів, не потребуючи величезного розміру партії
  5. Від якої проблеми спеціально захищаються BYOL і SimSiam, не використовуючи явних негативів?
    • Переобладнання до навчальних міток
    • Рознесення градієнтів в оптимізаторі
    • Згортання подання, де всі вкладення стають ідентичними
    • Зникнення швидкості навчання
  6. Як CLIP розширює контрастну ідею?
    • Він вирівнює зображення з їхніми текстовими підписами в спільному просторі для вбудовування
    • Він порівнює два доповнення одного аудіокліпу
    • Це усуває потребу в будь-якій нейронній мережі
    • Він використовує навчання з підкріпленням замість схожості
  7. A contrastive image encoder maps every photo to the same vector. Which failure does this illustrate?
    • A useful separation of image categories
    • An increase in the number of negative samples
    • A perfect nearest-neighbor representation
    • Representation collapse
  8. Why is MoCo’s training queue different from caching completed inference responses?
    • It serves final chatbot responses without model execution
    • It supplies encoded comparison examples for a contrastive training objective
    • It replaces every positive image with a label
    • It removes the need to update any encoder