Cuestionario vinculado a una guía · Medio Nivel

Prueba de modelos secuencia a secuencia

Descubra cómo los modelos codificadores-decodificadores asignan secuencias de entrada a salidas de diferentes longitudes utilizando mecanismos de atención y atención cruzada.

Rutas de guía relacionadasModelos de secuencia a secuencia
Pregunta 1 de 8

¿Cuáles son los dos componentes principales de un modelo secuencia a secuencia?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuáles son los dos componentes principales de un modelo secuencia a secuencia?
    • Un codificador y un decodificador.
    • Un tokenizador y un clasificador.
    • Dos codificadores idénticos
    • Un filtro y un ranking
  2. ¿Qué problema clave resolvió el mecanismo de atención en los modelos seq2seq?
    • Tokenización lenta
    • El cuello de botella del vector de longitud fija para entradas largas
    • Falta de vocabulario
    • Exceso de datos de entrenamiento
  3. ¿Qué arquitectura utilizó el modelo de traducción seq2seq original de 2014?
    • Redes convolucionales
    • Árboles de decisión
    • LSTM apilados
    • Capas de alimentación directa desnudas
  4. ¿Cómo construye la atención el contexto para cada paso de decodificación?
    • Promediando todos los tokens de entrada por igual
    • Ignorando el codificador por completo
    • Copiando el último token de entrada
    • Mediante una suma ponderada de estados del codificador utilizando puntuaciones de alineación
  5. ¿Por qué las salidas de seq2seq pueden diferir en longitud de las entradas?
    • El decodificador genera tokens hasta que emite una señal de parada
    • Las entradas y salidas siempre tienen la misma longitud.
    • El codificador lo rellena todo.
    • La duración se fija de antemano.
  6. ¿Qué modelos modernos son arquitecturas seq2seq basadas en transformadores populares?
    • ResNet y VGG
    • T5 y BART
    • K-medias y PCA
    • Word2Vec y guante
  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