Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Model Urutan ke Urutan
Ketahui cara model pengekod-penyahkod memetakan jujukan input kepada output panjang yang berbeza menggunakan mekanisme perhatian dan perhatian silang.
soalan 1 daripada 8
Apakah dua komponen utama model jujukan-ke-jujukan?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Apakah dua komponen utama model jujukan-ke-jujukan?
- Pengekod dan penyahkod
- Tokenizer dan pengelas
- Dua pengekod yang sama
- Penapis dan ranking
- Apakah masalah utama yang diselesaikan oleh mekanisme perhatian dalam model seq2seq?
- Tokenisasi perlahan
- Kesesakan vektor panjang tetap untuk input panjang
- Kekurangan perbendaharaan kata
- Data latihan yang berlebihan
- Apakah seni bina yang digunakan oleh model terjemahan asal seq2seq 2014?
- Rangkaian konvolusi
- Pokok keputusan
- LSTM bertindan
- Lapisan suapan hadapan kosong
- Bagaimanakah perhatian membina konteks untuk setiap langkah penyahkodan?
- Dengan purata semua token input sama rata
- Dengan mengabaikan pengekod sepenuhnya
- Dengan menyalin token input terakhir
- Dengan jumlah wajaran keadaan pengekod menggunakan skor penjajaran
- Mengapakah output seq2seq boleh berbeza panjang daripada input?
- Penyahkod menjana token sehingga ia mengeluarkan isyarat berhenti
- Input dan output sentiasa sama panjang
- Pengekod melapisi segala-galanya
- Panjang ditetapkan terlebih dahulu
- Model moden manakah yang merupakan seni bina seq2seq berasaskan Transformer yang popular?
- 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