Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Beágyazási kvíz

Explore embedding geometry and cosine similarity, with vector analogies, approximate search, learned bias, and normalized distance calculations.

Kapcsolódó útmutató utakBeágyazások
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.

  1. 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
  2. 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
  3. Melyik mérőszámot használják általában két beágyazás összehasonlítására?
    • Fájlméret különbség
    • ABC sorrendben
    • Szószám
    • Koszinusz hasonlóság
  4. 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
  5. 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
  6. 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
  7. Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
    • 0.2
    • 0.4
    • 0.8
    • 1.6
  8. 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