Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Folytatólagos előképzés vs finomhangoló kvíz

Teszteli az adatokat és az objektív különbségeket a folyamatos előképzés és finomhangolás, a katasztrofális felejtés és újrajátszás között, valamint azt, hogy mikor illeszkedik jobban a visszakeresés.

kérdés 1 -ból 8

Mi a fő adatbeli különbség a folytatott előképzés és a felügyelt finomhangolás között?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a fő adatbeli különbség a folytatott előképzés és a felügyelt finomhangolás között?
    • Both use only labeled question and answer pairs
    • Continued pretraining uses raw domain text; fine-tuning uses curated labeled examples
    • Fine-tuning uses more data than continued pretraining
    • Continued pretraining uses only images
  2. Hol számítják általában a veszteséget a felügyelt finomhangolás során?
    • On every token including the prompt
    • Only on the prompt tokens
    • On randomly chosen tokens
    • Only on the response tokens
  3. Mi a replay a folytatott előképzésben?
    • Mixing some general data into training to limit forgetting
    • Running the same batch twice
    • Restarting training from scratch
    • Replaying user conversations at inference time
  4. Hogyan épült a Code Llama?
    • From scratch on code only
    • By prompt engineering Llama 2
    • By continuing to train Llama 2 on a large code corpus
    • By fine-tuning on a few hundred coding questions
  5. Az olyan tényekhez, amelyek gyakran változnak, melyik megközelítést javasolja a kézikönyv gyakran jobb, mint a finomhangolás?
    • Continued pretraining every day
    • Retrieval of up-to-date documents
    • A mintavételi hőmérséklet emelése
    • Training a larger tokenizer
  6. Which statement about BloombergGPT is correct according to the guide?
    • It was continued pretraining of Llama 2
    • It was created only with LoRA
    • It was a prompt-engineered GPT-3
    • It was trained from scratch on financial and general data
  7. What did the 2020 paper Don't Stop Pretraining show?
    • A second phase of pretraining on in-domain text improved RoBERTa on domain tasks
    • Pretraining should always stop after one epoch
    • Fine-tuning is useless for classification
    • Domain text harms every model
  8. Why re-warm the learning rate at the start of continued pretraining?
    • To reset the tokenizer
    • To freeze the base weights
    • Resuming at a high rate destabilizes training while too low a rate learns little
    • To skip the need for domain data