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.

Percorsi guida correlatiModelli da sequenza a sequenza
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.

  1. 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
  2. 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
  3. Quale architettura utilizzava il modello di traduzione seq2seq originale del 2014?
    • Reti convoluzionali
    • Alberi decisionali
    • LSTM impilati
    • Strati feed-forward nudi
  4. 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
  5. 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
  6. 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
  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