Тест, свързан с ръководство · Среден Ниво

Тест за вграждане на поддуми в FastText

Разгледайте символните n-грами на FastText, хеширани кофи с функции, поддръжка извън речника, морфология и бърза контролирана класификация на текст.

Свързани ръководни пътекиВграждане на поддуми Fasttext
Въпрос 1 на 8

Как FastText представя една дума?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Как FastText представя една дума?
    • Като торба от знаци n-грамове, сумирани заедно
    • Само като един неделим знак
    • Като определението му от речник
    • Като случаен вектор
  2. Кое основно ограничение на Word2Vec и GloVe преодолява FastText?
    • Бягат твърде бързо
    • Те не могат да създават вектори за думи извън речника
    • Те пренебрегват препинателните знаци
    • Те работят само на английски
  3. За думата "къде" с 3-символни n-грами, коя е валидна n-грама (с гранични маркери)?
    • <къде>само
    • xyz
    • когато
    • на
  4. На коя основна цел на обучение се основава моделът за вграждане на FastText?
    • Факторизация на матрицата GloVe
    • Превод на ниво изречение
    • Загуба на класификация на изображението
    • Skip-Gram с отрицателна проба
  5. Защо FastText е особено полезен за езици като фински или турски?
    • Те са морфологично богати с много склонени словоформи, които споделят поддуми
    • Те имат много малко думи
    • Те не използват интервали
    • Те нямат редки думи
  6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
    • Byte-pair encoding as subword units
    • FastText’s hashed character n-gram bucket table
    • A full-word-only vocabulary that discards rare tokens
    • GloVe’s global co-occurrence matrix
  7. How does FastText store learnable features for its character n-grams?
    • It stores every complete sentence as a separate vector
    • It assigns each n-gram a pixel grid in a convolutional decoder
    • It hashes n-grams into a fixed-size bucket table with learned vectors
    • It replaces all subword features with a hand-written dictionary
  8. What can fastText's supervised mode do efficiently with its bag-of-features model?
    • Estimate the 3D shape of an object from a single image
    • Generate new audio waveforms from a spectrogram
    • Compute a global word-word co-occurrence matrix only
    • Classify text for tasks such as language identification or tagging