Kuis terkait panduan · Sedang Tingkat
Kuis Model Urutan ke Urutan
Pelajari bagaimana model encoder-decoder memetakan urutan masukan ke keluaran dengan panjang berbeda menggunakan mekanisme perhatian dan perhatian silang.
Pertanyaan 1 dari 8
Apa dua komponen utama model urutan-ke-urutan?
Pratinjau setiap pertanyaan8 pertanyaan
Jawaban dan penjelasan muncul saat Anda mengikuti kuis.
- Apa dua komponen utama model urutan-ke-urutan?
- Encoder dan decoder
- Tokenizer dan pengklasifikasi
- Dua encoder identik
- Filter dan serdadu
- Masalah utama apa yang dipecahkan oleh mekanisme perhatian dalam model seq2seq?
- Tokenisasi lambat
- Kemacetan vektor dengan panjang tetap untuk input panjang
- Kurangnya kosakata
- Data pelatihan yang berlebihan
- Arsitektur apa yang digunakan model terjemahan seq2seq asli 2014?
- Jaringan konvolusional
- Pohon keputusan
- LSTM bertumpuk
- Lapisan feed-forward telanjang
- Bagaimana perhatian membangun konteks untuk setiap langkah penguraian kode?
- Dengan merata-ratakan semua token masukan secara merata
- Dengan mengabaikan encoder sepenuhnya
- Dengan menyalin token masukan terakhir
- Dengan jumlah status pembuat enkode yang tertimbang menggunakan skor penyelarasan
- Mengapa keluaran seq2seq dapat berbeda panjangnya dengan masukan?
- Dekoder menghasilkan token hingga mengeluarkan sinyal berhenti
- Input dan output selalu sama panjangnya
- Encoder mengisi semuanya
- Panjangnya diperbaiki terlebih dahulu
- Model modern manakah yang merupakan arsitektur seq2seq berbasis Transformer yang populer?
- ResNet dan VGG
- T5 dan BART
- K-means dan PCA
- Word2Vec dan GloVe
- 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
- 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