Quiz collegato alla guida · Medio Livello
Quiz sui modelli sequenza per sequenza
Scopri come i modelli codificatore-decodificatore mappano le sequenze di input su output di diversa lunghezza utilizzando meccanismi di attenzione e attenzione incrociata.
Domanda 1 di 8
Quali sono i due componenti principali di un modello sequenza-sequenza?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quali sono i due componenti principali di un modello sequenza-sequenza?
- Un codificatore e un decodificatore
- Un tokenizzatore e un classificatore
- Due encoder identici
- Un filtro e un ranking
- Quale problema chiave ha risolto il meccanismo di attenzione nei modelli seq2seq?
- Tokenizzazione lenta
- Il collo di bottiglia del vettore a lunghezza fissa per input lunghi
- Mancanza di vocabolario
- Dati di allenamento eccessivi
- Quale architettura utilizzava il modello di traduzione seq2seq originale del 2014?
- Reti convoluzionali
- Alberi decisionali
- LSTM impilati
- Strati feed-forward nudi
- In che modo l'attenzione costruisce il contesto per ogni fase di decodificazione?
- Mediando equamente la media di tutti i token di input
- Ignorando completamente l'encoder
- Copiando l'ultimo token di input
- Mediante una somma ponderata degli stati del codificatore utilizzando i punteggi di allineamento
- Perché gli output seq2seq possono differire in lunghezza dagli input?
- Il decoder genera gettoni finché non emette un segnale di arresto
- Gli ingressi e le uscite hanno sempre la stessa lunghezza
- L'encoder riempie tutto
- La lunghezza è fissata in anticipo
- Quali modelli moderni sono le architetture seq2seq basate su Transformer più popolari?
- ResNet e VGG
- T5 e BART
- K-medie e PCA
- Word2Vec e 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