गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर
एम्बेडिंग प्रश्नोत्तरी
वेक्टर उपमाओं, अनुमानित खोज, सीखे गए पूर्वाग्रह और सामान्यीकृत दूरी गणना के साथ एम्बेडिंग ज्यामिति और कोसाइन समानता का अन्वेषण करें।
प्रश्न 1 का 8
What is an embedding in the numerical representation sense used here?
प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न
जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।
- What is an embedding in the numerical representation sense used here?
- A dictionary definition that must be stored verbatim
- A required compression format for image files
- A vector representing an item for a model or comparison task
- An exact database row identifier only
- What can closeness in a trained semantic embedding space indicate?
- Similarity learned under that model’s objective
- A guarantee that two statements are equally true
- An identical byte sequence in every case
- A universal relation independent of training
- दो एम्बेडिंग की तुलना करने के लिए आमतौर पर किस मीट्रिक का उपयोग किया जाता है?
- फ़ाइल आकार में अंतर
- वर्णमाला क्रम
- शब्द गणना
- कोसाइन समानता
- What tradeoff can an approximate embedding index such as HNSW introduce?
- A guarantee of complete exact retrieval in every configuration
- Faster search with possible missed exact nearest neighbors
- A required change of every vector to a word definition
- Automatic removal of all training-data bias
- क्लासिक 'राजा - पुरुष + महिला ≈ रानी' उदाहरण एम्बेडिंग के बारे में क्या प्रदर्शित करता है?
- वे वेक्टर अंकगणित के माध्यम से रिश्तों को पकड़ सकते हैं
- वे शब्दों की सटीक परिभाषाएँ संग्रहीत करते हैं
- वे केवल रॉयल्टी शर्तों के लिए काम करते हैं
- वे यादृच्छिक और अर्थहीन हैं
- एम्बेडिंग का उपयोग करते समय कौन सा वास्तविक जोखिम है?
- इन्हें डेटाबेस में संग्रहीत नहीं किया जा सकता
- वे केवल अंग्रेजी में काम करते हैं
- वे अपने प्रशिक्षण डेटा में मौजूद पूर्वाग्रहों को विरासत में प्राप्त कर सकते हैं और प्रतिबिंबित कर सकते हैं
- वे सभी खोजों को केवल सटीक-मिलान बनाते हैं
- Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
- 0.2
- 0.4
- 0.8
- 1.6
- When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
- Whenever their dimensions are equal
- Whenever they came from two unrelated model families
- Only when their coordinates are all zero
- When both vectors have been normalized to unit length