Gids-gekoppelde quiz · Middelmatig Niveau

Sequentie-tot-reeksmodellen Quiz

Leer hoe encoder-decoder-modellen inputsequenties toewijzen aan outputs van verschillende lengte met behulp van attention- en cross-attention-mechanismen.

Gerelateerde gidspadenVolgorde tot volgordemodellen
Vraag 1 van 8

Wat zijn de twee belangrijkste componenten van een sequentie-tot-sequentie-model?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat zijn de twee belangrijkste componenten van een sequentie-tot-sequentie-model?
    • Een encoder en een decoder
    • Een tokenizer en een classificator
    • Twee identieke encoders
    • Een filter en een rangorde
  2. Welk sleutelprobleem heeft het aandachtsmechanisme opgelost in seq2seq-modellen?
    • Langzame tokenisatie
    • Het vectorknelpunt met een vaste lengte voor lange invoer
    • Gebrek aan een woordenschat
    • Overmatige trainingsgegevens
  3. Welke architectuur werd gebruikt in het oorspronkelijke seq2seq-vertaalmodel uit 2014?
    • Convolutionele netwerken
    • Beslisbomen
    • Gestapelde LSTM's
    • Kale feed-forward-lagen
  4. Hoe bouwt aandacht de context op voor elke decodeerstap?
    • Door alle invoertokens gelijk te middelen
    • Door de encoder volledig te negeren
    • Door het laatste invoertoken te kopiëren
    • Door een gewogen som van encoderstatussen met behulp van uitlijningsscores
  5. Waarom kunnen seq2seq-uitgangen in lengte verschillen van ingangen?
    • De decoder genereert tokens totdat hij een stopsignaal afgeeft
    • Ingangen en uitgangen zijn altijd even lang
    • De encoder vult alles op
    • Lengte wordt vooraf vastgelegd
  6. Welke moderne modellen zijn populaire Transformer-gebaseerde seq2seq-architecturen?
    • ResNet en VGG
    • T5 en BART
    • K-betekent en PCA
    • Word2Vec en 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