Kvíz spojený s průvodcem · Střední úroveň

Kvíz o hledání paprsků

Prozkoumejte, jak paprskové vyhledávání zachovává několik dílčích sekvencí s vysokým skóre a jak penalizace za bodování formují konečný výstupní text.

Související vodicí cestyBeam Search (paprskové vyhledávání)
Otázka 1 z 8

Co ovládá „šířka paprsku“ (k) při vyhledávání paprsku?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co ovládá „šířka paprsku“ (k) při vyhledávání paprsku?
    • Kolik dílčích kandidátních sekvencí je uchováváno v každém kroku dekódování
    • Maximální délka generované sekvence
    • Teplota aplikovaná na pravděpodobnosti
    • Velikost slovníku modelky
  2. Jak se paprskové vyhledávání liší od chamtivého dekódování?
    • Vždy vybere jeden žeton s nejvyšší pravděpodobností
    • Udržuje několik dílčích sekvencí s vysokým skóre místo toho, aby se zavázal k jedné
    • Vzorkuje tokeny náhodně
    • Úplně ignoruje pravděpodobnosti tokenů
  3. Proč se při vyhledávání paprsků běžně používá normalizace délky?
    • Aby byla generace rychlejší
    • Pro zvětšení slovní zásoby
    • Protože sčítání logaritmických pravděpodobností zkresluje skóre směrem ke kratším sekvencím
    • Chcete-li přidat náhodnost výstupů
  4. Pro jaký úkol je vyhledávání paprskem obzvláště vhodné?
    • Kreativní vyprávění s otevřeným koncem
    • Generování maximálně různorodého náhodného textu
    • Produkovat nepředvídatelnou poezii
    • Strojový překlad, kde je požadován věrný vysoce pravděpodobný výstup
  5. Jaká je známá nevýhoda použití velmi velké šířky paprsku pro generování s otevřeným koncem?
    • Může produkovat nevýrazný, opakující se nebo zdegenerovaný text
    • Zaručuje nejkreativnější výstup
    • Odstraňuje potřebu jakéhokoli pravděpodobnostního modelu
    • To způsobí, že model ignoruje vstup
  6. Jak v každém kroku hledání pomocí paprsku rozhoduje o tom, které kandidáty si ponechat?
    • Podle abecedního pořadí žetonů
    • Kumulativním skóre (součtem logaritmických pravděpodobností), udržením vrcholu k
    • Výběrem nejdelších kandidátů
    • Náhodným výběrem ze všech kandidátů
  7. What problem does GNMT’s coverage penalty aim to reduce in translation?
    • Repeatedly encoding the same source vocabulary
    • The use of subword units
    • Output translations that fail to cover source words
    • The number of encoder layers
  8. What does diverse beam search modify to encourage different candidate outputs?
    • It replaces the model probabilities with uniform random scores
    • It removes all but one candidate at the first step
    • It changes the training tokenizer after decoding
    • It penalizes similarity or overlap among candidates in different beam groups