গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
এনকোডার-ডিকোডার আর্কিটেকচার কুইজ
এনকোডার-ডিকোডার মডেল উপাদান, উৎস থেকে লক্ষ্য মনোযোগ এবং অনুবাদ এবং ভাষার কাজগুলিতে পাঠ্য থেকে পাঠ্য ব্যবহার পর্যালোচনা করুন।
প্রশ্ন 1 এর 8
একটি এনকোডার-ডিকোডার মডেলে এনকোডারের প্রধান কাজ কী?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- একটি এনকোডার-ডিকোডার মডেলে এনকোডারের প্রধান কাজ কী?
- ইনপুট পড়তে এবং এটিকে সমৃদ্ধ অভ্যন্তরীণ উপস্থাপনায় পরিণত করতে
- একবারে একটি টোকেন আউটপুট তৈরি করতে
- সম্ভাব্যতার ভিত্তিতে প্রার্থীর আউটপুট র্যাঙ্ক করা
- মডেলের প্রশিক্ষণ তথ্য সংরক্ষণ করতে
- কেন ডিকোডার মুখোশযুক্ত (কারণ) স্ব-মনোযোগ ব্যবহার করে?
- এনকোডার থেকে ইনপুট লুকাতে
- প্রজন্মের সময় ভবিষ্যত টোকেন দেখা থেকে প্রতিটি অবস্থান প্রতিরোধ করতে
- আউটপুটকে কম টোকেনে সংকুচিত করতে
- নিয়মিতকরণের জন্য এলোমেলোভাবে টোকেন ড্রপ করতে
- কোন প্রক্রিয়াটি ডিকোডারকে এনকোডারের উপস্থাপনাগুলির সাথে সংযুক্ত করে?
- ড্রপআউট
- ব্যাচ স্বাভাবিককরণ
- ক্রস-মনোযোগ
- অবস্থানগত এনকোডিং
- এই মডেলগুলির মধ্যে কোনটি একটি এনকোডার-ডিকোডার (সিকোয়েন্স-টু-সিকোয়েন্স) আর্কিটেকচার?
- জিপিটি-৩
- BERT
- Word2Vec
- T5
- কেন এনকোডার-ডিকোডার ডিজাইন অনুবাদের জন্য একটি প্রাকৃতিক উপযুক্ত?
- কারণ ইনপুট এবং আউটপুট ভিন্ন ক্রম, সম্পূর্ণ বোধগম্যতা প্রয়োজন তারপর নতুন প্রজন্ম
- কারণ ইনপুট এবং আউটপুট সবসময় একই দৈর্ঘ্য
- কারণ এটিকে কখনই নতুন টেক্সট তৈরি করার দরকার নেই
- কারণ এটি সম্পূর্ণরূপে মনোযোগ ব্যবহার এড়ায়
- In the original Transformer architecture, what attention does the encoder use over its input sequence?
- Causal attention that hides all earlier source tokens
- Bidirectional self-attention over the full source sequence
- Cross-attention only to an image sequence
- No attention mechanism
- What training objective does BART use for pretraining?
- It predicts only the next pixel in an image
- It classifies each word into a fixed sentiment label
- It corrupts text and trains a sequence-to-sequence denoising model to reconstruct the original
- It performs speech recognition from raw audio
- How does T5 frame many NLP tasks for one encoder-decoder model?
- As image classification with a shared label set
- As speech waveforms with no text tokens
- As separate model architectures for each task
- As text-to-text inputs and outputs with task descriptions in the input text