Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Sorozatról sorozatra modellek kvíz

Learn how encoder-decoder models map input sequences to different-length outputs using attention and cross-attention mechanisms.

Kapcsolódó útmutató utakSorozat szekvencia modellek
kérdés 1 -ból 8

Mi a sorozat-szekvencia modell két fő összetevője?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a sorozat-szekvencia modell két fő összetevője?
    • Egy kódoló és egy dekódoló
    • Egy tokenizátor és egy osztályozó
    • Két egyforma kódoló
    • Egy szűrő és egy rangsor
  2. Milyen kulcsproblémát oldott meg a figyelemmechanizmus a seq2seq modellekben?
    • Lassú tokenizálás
    • A fix hosszúságú vektor szűk keresztmetszete a hosszú bemenetekhez
    • A szókincs hiánya
    • Túl sok edzési adat
  3. Milyen architektúrát használt az eredeti 2014-es seq2seq fordítási modell?
    • Konvolúciós hálózatok
    • Döntési fák
    • Halmozott LSTM-ek
    • Csupasz előretolható rétegek
  4. Hogyan építi fel a figyelem az egyes dekódolási lépések kontextusát?
    • Az összes bemeneti token egyenlő átlagolásával
    • A kódoló teljes figyelmen kívül hagyásával
    • Az utolsó bemeneti token másolásával
    • A kódoló állapotainak súlyozott összegével, igazítási pontszámok segítségével
  5. Miért különbözhet a seq2seq kimenetek hossza a bemenetektől?
    • A dekóder tokeneket generál, amíg leállító jelet nem bocsát ki
    • A bemenetek és a kimenetek mindig azonos hosszúságúak
    • A kódoló mindent bepárol
    • A hossz előre rögzített
  6. Mely modern modellek a népszerű Transformer-alapú seq2seq architektúrák?
    • ResNet és VGG
    • T5 és BART
    • K-közép és PCA
    • Word2Vec és GloVe
  7. In encoder-decoder attention, which representations are commonly used as keys and values?
    • Only the decoder’s future hidden states
    • The vocabulary file’s byte offsets
    • The encoder’s output representations
    • The optimizer’s learning-rate history
  8. What does a bidirectional encoder provide to an attention-based decoder?
    • A fixed one-token output regardless of the input
    • A guarantee that output length equals input length
    • A causal mask over future target tokens
    • Contextual representations of source tokens that can use information from both directions