Quiz lié à un guide · Moyen Niveau

Quiz sur les modèles séquence à séquence

Découvrez comment les modèles d'encodeur-décodeur mappent les séquences d'entrée vers des sorties de différentes longueurs à l'aide de mécanismes d'attention et d'attention croisée.

Chemins de guidage associésModèles de séquence à séquence
Question 1 de 8

Quels sont les deux principaux composants d’un modèle séquence à séquence ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Quels sont les deux principaux composants d’un modèle séquence à séquence ?
    • Un encodeur et un décodeur
    • Un tokenizer et un classificateur
    • Deux encodeurs identiques
    • Un filtre et un classement
  2. Quel problème clé le mécanisme d’attention a-t-il résolu dans les modèles seq2seq ?
    • Tokenisation lente
    • Le goulot d'étranglement vectoriel de longueur fixe pour les entrées longues
    • Manque de vocabulaire
    • Données d'entraînement excessives
  3. Quelle architecture le modèle de traduction seq2seq original de 2014 utilisait-il ?
    • Réseaux convolutifs
    • Arbres de décision
    • LSTM empilés
    • Couches à feed-forward nues
  4. Comment l’attention construit-elle le contexte de chaque étape de décodage ?
    • En faisant la moyenne égale de tous les jetons d'entrée
    • En ignorant complètement l'encodeur
    • En copiant le dernier jeton d'entrée
    • Par une somme pondérée des états du codeur à l'aide des scores d'alignement
  5. Pourquoi les sorties seq2seq peuvent-elles différer en longueur des entrées ?
    • Le décodeur génère des jetons jusqu'à ce qu'il émette un signal d'arrêt
    • Les entrées et sorties sont toujours de même longueur
    • L'encodeur capte tout
    • La longueur est fixée à l'avance
  6. Quels modèles modernes sont des architectures seq2seq basées sur Transformer populaires ?
    • ResNet et VGG
    • T5 et BART
    • K-moyennes et PCA
    • Word2Vec et 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