引導式測驗 · 硬 等級
線上和硬負挖測驗
測試在線與離線池、批量硬選擇和半硬選擇、誤導性否定以及基於距離的候選人檢查。
問題 1 的 8
為什麼大多數隨機採樣的負樣本在三重態損失中提供的訓練訊號很少?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 為什麼大多數隨機採樣的負樣本在三重態損失中提供的訓練訊號很少?
- 它們通常被貼錯標籤
- 它們太小,無法容納在內存中
- 它們已經遠離錨點,因此損失和梯度接近零
- 它們總是等於正距離
- 線上挖礦和離線挖礦有什麼區別?
- 線上挖礦利用網路;離線則沒有
- 在線挖掘在每個小批量中即時選擇困難的例子
- 在線挖掘僅適用於文本
- 線上挖礦無需前向傳遞
- FaceNet 中定義的「半困難」底片是什麼?
- 負值比正值更接近錨點
- 剛好等於錨點的負數
- 任何隨機選擇的負數
- 負值比正值更遠,但仍在裕度範圍內
- 在批次硬挖中,為每個錨點選擇哪個負數?
- 批次中最接近的負數
- 批次中最遠的負數
- 隨機負數
- 負值與中位數距離
- 為什麼較大的批量大小往往會改善挖掘的度量學習結果?
- 它減少了嵌入維度
- 它消除了保證金的需要
- 它刪除了損失函數
- 它為每一步提供了更豐富的候選硬負例池
- 選擇絕對最難的底片的已知風險是什麼?
- 他們總是太容易
- 他們使批量矩陣更小
- 它們可能被貼錯標籤或幾乎重複的陽性結果破壞了訓練
- 他們完全消除了梯度
- 在正距離 0.4、邊距 0.2 的情況下,哪個負距離在所述規則下為半硬負距離?
- 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