Bài kiểm tra có liên kết hướng dẫn · Cứng Cấp độ
Câu đố học tập tương phản
Thực hành các cặp dương tương phản, thu gọn nhúng và độ tương tự ở thang nhiệt độ, bao gồm cả sự khác biệt của hàng đợi MoCo với bộ nhớ đệm suy luận.
Câu hỏi 1 của 8
Mục tiêu cốt lõi của học tập tương phản là gì?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Mục tiêu cốt lõi của học tập tương phản là gì?
- Kéo các cặp tương tự (dương) lại với nhau và đẩy các cặp (âm) khác nhau ra xa nhau trong không gian nhúng
- Dự đoán giá trị pixel chính xác của hình ảnh
- Phân loại mọi đầu vào thành một trong các bộ nhãn cố định
- Giảm thiểu số lượng tham số mô hình
- Trong phương pháp hình ảnh tự giám sát như SimCLR, cặp dương thường được tạo như thế nào?
- Hai hình ảnh khác nhau của cùng một lớp được dán nhãn
- Một hình ảnh và một hình ảnh được chọn ngẫu nhiên từ tập dữ liệu
- Hai lần tăng ngẫu nhiên (ví dụ: cắt xén, biến động màu) của cùng một hình ảnh
- Một hình ảnh được ghép nối với mặt nạ phân đoạn của nó
- Hàm mất mát nào liên quan nhiều nhất đến việc học tương phản?
- Sai số bình phương trung bình
- Thông tinNCE
- Entropy chéo trên nhãn lớp
- Mất bản lề cho SVM
- Tại sao các phương pháp như MoCo sử dụng ngân hàng bộ nhớ hoặc hàng đợi?
- Để lưu trữ nhãn cho việc tinh chỉnh được giám sát
- Để lưu trữ các dự đoán cuối cùng để suy luận nhanh hơn
- Để nén mô hình cho thiết bị di động
- Để cung cấp nhiều ví dụ tiêu cực mà không cần kích thước lô lớn
- BYOL và SimSiam đặc biệt đề phòng vấn đề gì mà không sử dụng những lời phủ định rõ ràng?
- Trang bị quá mức cho nhãn đào tạo
- Bùng nổ độ dốc trong trình tối ưu hóa
- Sự sụp đổ của biểu diễn, trong đó tất cả các phần nhúng trở nên giống hệt nhau
- Tỷ lệ học biến mất
- CLIP mở rộng ý tưởng tương phản như thế nào?
- Nó căn chỉnh hình ảnh với chú thích văn bản của chúng trong không gian nhúng chung
- Nó tương phản hai phần mở rộng của cùng một clip âm thanh
- Nó loại bỏ sự cần thiết của bất kỳ mạng lưới thần kinh nào
- Nó sử dụng học tăng cường thay vì sự tương đồng
- 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
- 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