Questionário vinculado ao guia · Médio Nível

Questionário de modelos de sequência a sequência

Aprenda como os modelos codificador-decodificador mapeiam sequências de entrada para saídas de comprimentos diferentes usando mecanismos de atenção e atenção cruzada.

Caminhos de guia relacionadosModelos de sequência para sequência
Pergunta 1 de 8

Quais são os dois componentes principais de um modelo sequência a sequência?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Quais são os dois componentes principais de um modelo sequência a sequência?
    • Um codificador e um decodificador
    • Um tokenizador e um classificador
    • Dois codificadores idênticos
    • Um filtro e um classificador
  2. Qual problema principal o mecanismo de atenção resolveu nos modelos seq2seq?
    • Tokenização lenta
    • O gargalo vetorial de comprimento fixo para entradas longas
    • Falta de vocabulário
    • Dados de treinamento excessivos
  3. Qual arquitetura o modelo de tradução seq2seq original de 2014 usou?
    • Redes convolucionais
    • Árvores de decisão
    • LSTMs empilhados
    • Camadas feed-forward nuas
  4. Como a atenção constrói o contexto para cada etapa de decodificação?
    • Calculando a média de todos os tokens de entrada igualmente
    • Ignorando totalmente o codificador
    • Copiando o último token de entrada
    • Por uma soma ponderada de estados do codificador usando pontuações de alinhamento
  5. Por que as saídas seq2seq podem diferir em comprimento das entradas?
    • O decodificador gera tokens até emitir um sinal de parada
    • Entradas e saídas têm sempre o mesmo comprimento
    • O codificador preenche tudo
    • O comprimento é fixado antecipadamente
  6. Quais modelos modernos são arquiteturas seq2seq baseadas em Transformer populares?
    • ResNet e VGG
    • T5 e BART
    • K-médias 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