Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ μοντέλων ακολουθίας σε ακολουθία

Μάθετε πώς τα μοντέλα κωδικοποιητή-αποκωδικοποιούν αντιστοιχίζουν τις ακολουθίες εισόδου σε εξόδους διαφορετικού μήκους χρησιμοποιώντας μηχανισμούς προσοχής και διασταυρούμενης προσοχής.

Σχετικές διαδρομές οδηγώνΜοντέλα ακολουθίας σε ακολουθία
Ερώτηση 1 του 8

Ποια είναι τα δύο κύρια συστατικά ενός μοντέλου αλληλουχίας σε ακολουθία;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια είναι τα δύο κύρια συστατικά ενός μοντέλου αλληλουχίας σε ακολουθία;
    • Ένας κωδικοποιητής και ένας αποκωδικοποιητής
    • Ένα tokenizer και ένας ταξινομητής
    • Δύο πανομοιότυποι κωδικοποιητές
    • Ένα φίλτρο και ένας βαθμολογητής
  2. Ποιο βασικό πρόβλημα έλυσε ο μηχανισμός προσοχής στα μοντέλα seq2seq;
    • Αργή συμβολική
    • Το διανυσματικό σημείο συμφόρησης σταθερού μήκους για μεγάλες εισόδους
    • Έλλειψη λεξιλογίου
    • Υπερβολικά δεδομένα προπόνησης
  3. Ποια αρχιτεκτονική χρησιμοποίησε το αρχικό μοντέλο μετάφρασης seq2seq του 2014;
    • Συνελικτικά δίκτυα
    • Δέντρα απόφασης
    • Στοιβαγμένα LSTM
    • Γυμνά στρώματα τροφοδοσίας προς τα εμπρός
  4. Πώς χτίζει η προσοχή το πλαίσιο για κάθε βήμα αποκωδικοποίησης;
    • Με τον μέσο όρο όλων των διακριτικών εισόδου εξίσου
    • Αγνοώντας εντελώς τον κωδικοποιητή
    • Αντιγράφοντας το τελευταίο διακριτικό εισόδου
    • Με ένα σταθμισμένο άθροισμα καταστάσεων κωδικοποιητή χρησιμοποιώντας βαθμολογίες στοίχισης
  5. Γιατί οι έξοδοι seq2seq μπορεί να διαφέρουν σε μήκος από τις εισόδους;
    • Ο αποκωδικοποιητής παράγει διακριτικά μέχρι να εκπέμψει ένα σήμα διακοπής
    • Οι είσοδοι και οι έξοδοι έχουν πάντα ίσο μήκος
    • Ο κωδικοποιητής συμπληρώνει τα πάντα
    • Το μήκος καθορίζεται εκ των προτέρων
  6. Ποια μοντέρνα μοντέλα είναι δημοφιλείς αρχιτεκτονικές seq2seq που βασίζονται σε Transformer;
    • ResNet και VGG
    • T5 και BART
    • K-means και PCA
    • Word2Vec και GloVe
  7. In encoder-decoder attention, which representations are commonly used as keys and values?
    • Only the decoder’s future hidden states
    • The vocabulary file’s byte offsets
    • The encoder’s output representations
    • The optimizer’s learning-rate history
  8. What does a bidirectional encoder provide to an attention-based decoder?
    • A fixed one-token output regardless of the input
    • A guarantee that output length equals input length
    • A causal mask over future target tokens
    • Contextual representations of source tokens that can use information from both directions