গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

সিকোয়েন্স মডেল কুইজে শিক্ষক জোর করে

গ্রাউন্ড-ট্রুথ উপসর্গগুলি কীভাবে একটি সিকোয়েন্স ডিকোডারকে প্রশিক্ষণ দেয়, কীভাবে কার্যকারণ মুখোশ সমান্তরাল প্রশিক্ষণকে সমর্থন করে এবং কেন অনুমান আলাদা হয় তা পরীক্ষা করে।

প্রশ্ন 1 এর 8

শিক্ষক জোর করার সময়, প্রতিটি ডিকোডিং ধাপে ইনপুট হিসাবে কী খাওয়ানো হয়?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. শিক্ষক জোর করার সময়, প্রতিটি ডিকোডিং ধাপে ইনপুট হিসাবে কী খাওয়ানো হয়?
    • স্থল-সত্য আগের টোকেন
    • মডেলের নিজস্ব পূর্বাভাস
    • একটি এলোমেলো টোকেন
    • চূড়ান্ত আউটপুট টোকেন
  2. During teacher-forced training, what target is paired with decoder input y_(t−1)?
    • The previous ground-truth token
    • The next target token y_t
    • A token sampled from the validation set
    • The maximum-probability output from an earlier training run
  3. শিক্ষকদের জোর করে সৃষ্ট ট্রেন-পরীক্ষার অমিল হিসাবে পরিচিত:
    • অদৃশ্য গ্রেডিয়েন্ট
    • মোড পতন
    • এক্সপোজার পক্ষপাত
    • লেবেল ফুটো
  4. একটি ট্রান্সফরমার ডিকোডারে, কোন প্রক্রিয়া শিক্ষক-বলিত প্রশিক্ষণকে অবস্থান জুড়ে সমান্তরালভাবে চলতে দেয়?
    • ড্রপআউট
    • ব্যাচ স্বাভাবিককরণ
    • মরীচি অনুসন্ধান
    • একটি কার্যকারণ (সামনে তাকান) মনোযোগের মুখোশ
  5. অনুমান সময়ে, কেন শিক্ষক জোর ব্যবহার করা যাবে না?
    • খাওয়ানোর জন্য কোনও স্থল-সত্য ভবিষ্যতের টোকেন নেই
    • ক্ষতি ফাংশন অনুপলব্ধ
    • GPU খুব ধীর
    • মনোযোগ মাস্ক অক্ষম করা হয়
  6. শিক্ষক-বলিত প্রশিক্ষণের সময় কোন ক্ষতি সাধারণত প্রতিটি ধাপে ব্যবহৃত হয়?
    • কাঁচা লগিটগুলিতে বর্গাকার ত্রুটির গড়
    • ভবিষ্যদ্বাণীকৃত বন্টন এবং সত্য পরবর্তী টোকেনের মধ্যে ক্রস-এনট্রপি
    • এম্বেডিং উপর কব্জা ক্ষতি
    • কোসাইন সাদৃশ্য ক্ষতি
  7. The target sequence is “red, blue, green.” Under teacher forcing, which token is supplied when training the prediction of “green”?
    • The model’s prediction for “green”
    • The future token after “green”
    • The ground-truth previous token “blue”
    • A randomly sampled vocabulary item
  8. At decoder position t, which tokens must a causal attention mask block?
    • The source sequence
    • All earlier target tokens
    • The current position’s own input
    • Target tokens at positions later than t