Тест про втрату трійки та вивчення метрики

Відповіді та пояснення з’являються під час виконання тесту.

1. Які три входи складають триплет у втраті триплету?
   • Якір, позитив і негатив
   • Вхід, прихований шар і вихід
   • Запит, ключ і значення
   • Навчання, перевірка та тестування зразків
2. Чому триплетні втрати включають термін маржі?
   • Для прискорення множення матриць
   • Збільшити кількість занять
   • Щоб запобігти згортанню моделі в одну точку, усі вбудовування
   • Щоб перетворити відстані в ймовірності
3. Яка відома система 2015 року популяризувала втрату триплетів для розпізнавання обличчя?
   • AlexNet
   • FaceNet
   • ResNet
   • БЕРТ
4. Що видає навчена модель навчання метрики для кожного входу?
   • Лише мітка класу
   • Обмежувальна рамка
   • Один бал ймовірності
   • Вектор вкладення, відстані якого відображають подібність
5. Чому вивчення метрики добре підходить для відкритих проблем, як-от додавання нових облич?
   • Він перенавчає всю мережу для кожного нового ідентифікатора
   • Це працює лише тоді, коли всі класи відомі заздалегідь
   • Порівняння залежить від відстані, тому нові особи не потребують перенавчання
   • Він запам'ятовує фіксований список виходів
6. Вбудовування в метричне навчання часто нормалізовано за L2. Який ефект це має?
   • Він розміщує вбудовування в одиничну гіперсферу, тому відстані залишаються обмеженими та порівнянними
   • Це усуває потребу в будь-якій функції втрати
   • Він перетворює мережу в класифікатор
   • Це подвоює розмір вбудовування
7. Under max(0, d(a,p) minus d(a,n) plus margin), d(a,p)=0.3, d(a,n)=0.8 and margin=0.2 yield what loss?
   • 0.3
   • 0.7
   • 1.3
   • 0
8. A positive margin is 0.2 and every embedding collapses to the same point. What loss does that triplet formula give?
   • 0, because both distances are equal
   • 0.2, so collapse has not satisfied the separation objective
   • 1, regardless of the margin
   • A negative loss of minus 0.2