سیامی نیٹ ورکس اور ٹرپلٹ لاس کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. سیامی نیٹ ورک کی تعریفی تعمیراتی خصوصیت کیا ہے؟
   • دو یا زیادہ ایک جیسی شاخیں جو ایک ہی وزن میں شریک ہیں۔
   • ایک واحد شاخ جس میں کوئی پوشیدہ تہہ نہ ہو۔
   • مکمل طور پر آزاد وزن کے ساتھ علیحدہ نیٹ ورک
   • وقت کے مراحل کے ساتھ ایک بار بار چلنے والا لوپ
2. ٹرپلٹ نقصان میں، تین ان پٹ کیا ہیں؟
   • ان پٹ، پوشیدہ، آؤٹ پٹ
   • اینکر، مثبت اور منفی
   • ٹرین، توثیق، ٹیسٹ
   • انکوڈر، ڈیکوڈر، درجہ بندی کرنے والا
3. ٹرپلٹ نقصان کا مقصد کیا نافذ کرتا ہے؟
   • اینکر اور منفی ایک جیسے ہونے چاہئیں
   • تمام ایمبیڈنگز کو ایک نقطہ پر گرنا چاہیے۔
   • اینکر-مثبت فاصلہ لنگر-منفی فاصلے سے ایک مارجن سے چھوٹا ہونا چاہیے۔
   • لنگر سے مثبت اور منفی کا مساوی فاصلہ ہونا چاہیے۔
4. ٹرپلٹ نقصان کی تربیت کے لیے 'مشکل منفی کان کنی' کیوں اہم ہے؟
   • یہ تربیت سے تمام مثبتات کو دور کرتا ہے۔
   • یہ نیٹ ورک کو کم تر بناتا ہے۔
   • یہ فاصلاتی میٹرک کو لیبل سے بدل دیتا ہے۔
   • آسان منفی پہلے ہی مارجن کو پورا کرتے ہیں اور صفر مفید میلان پیدا کرتے ہیں۔
5. کون سی صلاحیت سیامی نیٹ ورکس کو 'ون شاٹ لرننگ' کے لیے قیمتی بناتی ہے؟
   • وہ ایک نئے ان پٹ کا کسی ایک حوالہ سے موازنہ کر سکتے ہیں اور مماثلت کا فیصلہ کر سکتے ہیں، یہاں تک کہ ان دیکھی کلاسوں کے لیے بھی
   • انہیں فی کلاس ہزاروں لیبل والی مثالوں کی ضرورت ہے۔
   • وہ صرف مقررہ، پہلے سے طے شدہ زمروں میں درجہ بندی کرتے ہیں۔
   • وہ تربیتی شناختوں سے آگے عمومی نہیں کر سکتے
6. سیامی نیٹ ورک عام طور پر یہ کیسے طے کرتا ہے کہ آیا دو ان پٹ مماثل ہیں؟
   • ان کی خام پکسل اقدار کا خلاصہ کرکے
   • ان کے سرایت کرنے والے ویکٹر کے درمیان فاصلے کا ایک حد سے موازنہ کرکے
   • استعمال شدہ تہوں کی تعداد گن کر
   • ہر ایک کو بے ترتیب کلاس لیبل تفویض کرکے
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