Вікторина, пов’язана з посібником · важко Рівень
Онлайн-викторина про негативний майнінг
Тестуйте пули онлайн і офлайн, пакетний і напівжорсткий вибір, оманливі негативи та перевірки кандидатів на основі відстані.
Питання 1 з 8
Чому більшість випадково відібраних негативів дають слабкий тренувальний сигнал у втраті триплетів?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Чому більшість випадково відібраних негативів дають слабкий тренувальний сигнал у втраті триплетів?
- Зазвичай їх неправильно маркують
- Вони занадто малі, щоб поміститися в пам’ять
- Вони вже далеко від прив’язки, тому втрати та градієнт близькі до нуля
- Вони завжди дорівнюють додатній відстані
- Що відрізняє онлайн-майнінг від офлайн-майнінгу?
- Онлайн-майнінг використовує Інтернет; офлайн не працює
- Онлайн-майнінг миттєво вибирає жорсткі приклади в кожній міні-партії
- Онлайн-майнінг працює лише з текстом
- Онлайн-майнінг не потребує передачі вперед
- Що таке «напівтвердий» негатив за визначенням у FaceNet?
- Негатив ближче до позитиву до якоря
- Негатив, який точно дорівнює якорю
- Будь-який навмання обраний негатив
- Мінус більше, ніж позитивний, але все ще в межах
- Який мінус вибирається для кожного прив’язки під час жорсткого пакетного майнінгу?
- Найближчий негатив у партії
- Найдальший негатив у партії
- Випадковий негатив
- Негатив із середньою відстанню
- Чому більший розмір партії покращує результати вивчення метрик?
- Це зменшує розмір вбудовування
- Це усуває потребу в запасі
- Він знімає функцію втрат
- Він забезпечує багатший пул кандидатів жорстких негативів на крок
- Який відомий ризик вибору абсолютно найважчих негативів?
- Вони завжди надто легкі
- Вони зменшують пакетну матрицю
- Вони можуть бути неправильно позначені або майже повторювати позитиви, що псує навчання
- Вони повністю видаляють градієнт
- 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