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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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