Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Carian Rasuk
Terokai cara carian pancaran mengekalkan beberapa jujukan separa markah tinggi dan cara penalti pemarkahan membentuk teks output akhir.
soalan 1 daripada 8
Apakah 'lebar rasuk' (k) mengawal dalam carian rasuk?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Apakah 'lebar rasuk' (k) mengawal dalam carian rasuk?
- Berapa banyak jujukan calon separa disimpan pada setiap langkah penyahkodan
- Panjang maksimum jujukan yang dijana
- Suhu digunakan untuk kebarangkalian
- Saiz perbendaharaan kata model
- Bagaimanakah carian pancaran berbeza daripada penyahkodan tamak?
- Ia sentiasa memilih satu token kebarangkalian tertinggi
- Ia menyimpan berbilang jujukan separa berskor tinggi dan bukannya melakukan satu
- Ia mengambil sampel token secara rawak
- Ia mengabaikan kebarangkalian token sepenuhnya
- Mengapakah penormalan panjang biasanya digunakan dalam carian pancaran?
- Untuk menjadikan penjanaan lebih cepat
- Untuk menambah saiz kosa kata
- Kerana menjumlahkan kebarangkalian log memincangkan markah ke arah jujukan yang lebih pendek
- Untuk menambah rawak pada output
- Untuk tugas manakah carian pancaran amat sesuai?
- Penceritaan kreatif terbuka
- Menghasilkan teks rawak yang pelbagai secara maksimum
- Menghasilkan puisi yang tidak dapat diramalkan
- Terjemahan mesin, di mana output berkemungkinan tinggi yang setia dikehendaki
- Apakah kelemahan yang diketahui menggunakan lebar rasuk yang sangat besar untuk penjanaan terbuka?
- Ia boleh menghasilkan teks yang mencelah, berulang atau merosot
- Ia menjamin hasil yang paling kreatif
- Ia menghilangkan keperluan untuk sebarang model kebarangkalian
- Ia menjadikan model mengabaikan input
- Pada setiap langkah, bagaimanakah carian pancaran memutuskan calon yang ingin disimpan?
- Mengikut susunan abjad token
- Mengikut skor kumulatif (jumlah kebarangkalian log), mengekalkan k teratas
- Dengan memilih calon yang paling lama
- Dengan pemilihan rawak antara semua calon
- What problem does GNMT’s coverage penalty aim to reduce in translation?
- Repeatedly encoding the same source vocabulary
- The use of subword units
- Output translations that fail to cover source words
- The number of encoder layers
- What does diverse beam search modify to encourage different candidate outputs?
- It replaces the model probabilities with uniform random scores
- It removes all but one candidate at the first step
- It changes the training tokenizer after decoding
- It penalizes similarity or overlap among candidates in different beam groups