引导式测验 · 硬 等级
在线和硬负挖掘测验
测试在线与离线池、批量硬选择和半硬选择、误导性否定以及基于距离的候选人检查。
问题 1 的 8
为什么大多数随机采样的负样本在三重态损失中提供的训练信号很少？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 为什么大多数随机采样的负样本在三重态损失中提供的训练信号很少？
- 它们通常被贴错标签
- 它们太小，无法容纳在内存中
- 它们已经远离锚点，因此损失和梯度接近于零
- 它们始终等于正距离
- 在线挖矿和离线挖矿有什么区别？
- 在线挖矿利用互联网；离线则没有
- 在线挖掘在每个小批量中即时选择困难的例子
- 在线挖掘仅适用于文本
- 在线挖矿无需前向传递
- FaceNet 中定义的“半困难”负片是什么？
- 负值比正值更接近锚点
- 正好等于锚点的负数
- 任何随机选择的负数
- 负值比正值更远，但仍在裕度范围内
- 在批量硬挖掘中，为每个锚点选择哪个负数？
- 批次中最接近的负数
- 批次中最远的负数
- 随机负数
- 负值与中值距离
- 为什么较大的批量大小往往会改善挖掘的度量学习结果？
- 它减少了嵌入维度
- 它消除了保证金的需要
- 它删除了损失函数
- 它为每一步提供了更丰富的候选硬负例池
- 选择绝对最难的底片的已知风险是什么？
- 他们总是太容易
- 他们使批量矩阵更小
- 它们可能被贴错标签或几乎重复的阳性结果破坏了训练
- 他们完全消除了梯度
- 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