Вікторина, пов’язана з посібником · Середній Рівень

Тест про згладжування міток

Охоплює згладжені цілі та епсилон, залежні від завдання ефекти калібрування, компроміси дистиляції та чому результати залежать від даних і цілі.

Пов'язані напрямні шляхиЗгладжування міток
Питання 1 з 8

Що змінює згладжування міток щодо навчальних цілей?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що змінює згладжування міток щодо навчальних цілей?
    • Він пом’якшує одноразові цілі, тому справжній клас нижче 1,0, а інші – трохи вище 0
    • Він знімає функцію втрат
    • Він видаляє неправильні класи
    • Це подвоює швидкість навчання
  2. Загальне значення для параметра згладжування епсилон таке:
    • 0,9
    • 0,1
    • 5.0
    • 0,0
  3. What is one intended effect of replacing hard one-hot targets with smoothed targets?
    • Force every class to have equal probability
    • Guarantee the largest possible logit for the true class
    • Avoid requiring the labeled class to receive a target probability of exactly one
    • Remove the need for labeled training data
  4. Which landmark architectures are prominent examples of label-smoothing use?
    • AlexNet and LeNet only
    • ResNet-50 and VGG only
    • AlphaGo і AlphaZero
    • Inception-v3 і Transformer
  5. What can label smoothing do to calibration?
    • It can improve calibration in some settings, but the effect is task- and model-dependent
    • It guarantees perfect calibration for every classifier
    • It cannot affect predicted probabilities
    • It always makes confidence equal accuracy
  6. Який задокументований недолік згладжування міток?
    • Це завжди знижує точність
    • Це може стерти тонку подібність між класами, зашкодивши дистиляції знань
    • Для цього потрібно вдвічі більше даних для навчання
    • Він працює лише з текстом
  7. Why can label smoothing complicate knowledge distillation?
    • It converts every class label into an image
    • It forces the student to use a different tokenizer
    • It can remove information in logits about similarities among incorrect classes
    • It prevents the teacher from producing logits
  8. What should a practitioner verify when comparing label-smoothing implementations?
    • Whether the model has a web browser
    • Whether training uses a validation filename
    • Whether logits are stored as text
    • Whether epsilon is distributed over all classes or only the non-target classes