Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Beágyazási kvíz
Explore embedding geometry and cosine similarity, with vector analogies, approximate search, learned bias, and normalized distance calculations.
kérdés 1 -ból 8
What is an embedding in the numerical representation sense used here?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- 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
- Melyik mérőszámot használják általában két beágyazás összehasonlítására?
- Fájlméret különbség
- ABC sorrendben
- Szószám
- Koszinusz hasonlóság
- 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
- Mit mutat be a klasszikus „király - férfi + nő ≈ királynő” példa a beágyazásokról?
- A vektoraritmetikával összefüggéseket rögzíthetnek
- A szavak pontos definícióit tárolják
- Csak jogdíj feltételek mellett dolgoznak
- Véletlenszerűek és értelmetlenek
- Mi jelent valós kockázatot a beágyazások használatakor?
- Nem tárolhatók adatbázisban
- Csak angolul dolgoznak
- Örökölhetik és tükrözhetik a képzési adataikban jelenlévő torzításokat
- Minden keresést csak pontos egyezésűvé tesznek
- 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