Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Sugárkeresés kvíz
Explore how beam search keeps several high-scoring partial sequences and how scoring penalties shape the final output text.
kérdés 1 -ból 8
Mit vezérel a „nyalábszélesség” (k) a sugárkeresésben?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit vezérel a „nyalábszélesség” (k) a sugárkeresésben?
- Hány részleges jelölt szekvenciát tartanak meg minden dekódolási lépésben
- A generált sorozat maximális hossza
- A valószínűségekre alkalmazott hőmérséklet
- A modell szókincsének mérete
- Miben különbözik a sugárkeresés a mohó dekódolástól?
- Mindig az egyetlen legnagyobb valószínűségű tokent választja ki
- Több magas pontszámú részszekvenciát tart meg, ahelyett, hogy egy mellette volna
- Véletlenszerűen mintát vesz a tokenekből
- Teljesen figyelmen kívül hagyja a token valószínűségeket
- Miért alkalmazzák általában a hossznormálást a nyalábkeresésben?
- Hogy gyorsabb legyen a generáció
- A szókincs bővítésére
- Mivel a log-valószínűségek összegzése a pontszámokat rövidebb sorozatok felé torzítja
- Hogy véletlenszerűséget adjon a kimenetekhez
- Melyik feladatra alkalmas különösen a sugárkeresés?
- Nyitott végű kreatív történetmesélés
- Maximálisan változatos véletlenszerű szöveg generálása
- Kiszámíthatatlan költészet alkotása
- Gépi fordítás, ahol hűséges, nagy valószínűségű kimenetre van szükség
- Mi az ismert hátránya annak, ha nagyon nagy nyalábszélességet használnak nyílt végű generáláshoz?
- Homályosabb, ismétlődő vagy degenerált szöveget eredményezhet
- A legkreatívabb eredményt garantálja
- Megszünteti a valószínűségi modell szükségességét
- Ez arra készteti a modellt, hogy figyelmen kívül hagyja a bemenetet
- Hogyan dönti el a sugárkeresés minden lépésnél, hogy mely jelölteket tartsa meg?
- A tokenek ábécé szerinti sorrendjében
- Összesített pontszámmal (log-valószínűségek összege), a felső k megtartásával
- A leghosszabb jelöltek kiválasztásával
- Az összes jelölt közül véletlenszerű kiválasztással
- 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