Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Usanifu wa Kisimbaji-Kisimbuaji

Kagua vipengee vya muundo wa kisimbaji-kusimbuaji, umakinifu wa chanzo-kwa-lengwa na matumizi ya maandishi-kwa-maandishi katika utafsiri na kazi za lugha.

Njia za mwongozo zinazohusianaUsanifu wa Kisimbuaji Kisimbuaji
Swali 1 ya 8

Je, ni kazi gani kuu ya kisimbaji katika modeli ya kusimbuaji?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Je, ni kazi gani kuu ya kisimbaji katika modeli ya kusimbuaji?
    • Ili kusoma ingizo na kuigeuza kuwa uwakilishi wa ndani tajiri
    • Ili kutoa toni toni moja kwa wakati mmoja
    • Kupanga matokeo ya mgombea kulingana na uwezekano
    • Ili kuhifadhi data ya mafunzo ya mfano
  2. Kwa nini avkodare hutumia tahadhari iliyofichwa (sababu)?
    • Ili kuficha ingizo kutoka kwa kisimbaji
    • Ili kuzuia kila nafasi kuona tokeni za siku zijazo wakati wa kizazi
    • Ili kubana matokeo katika tokeni chache
    • Kuacha ishara kwa nasibu ili kuratibiwa
  3. Ni utaratibu gani unaounganisha avkodare na uwakilishi wa kisimbaji?
    • Kuacha
    • Urekebishaji wa kundi
    • Mtambuka
    • Usimbaji wa nafasi
  4. Ni ipi kati ya miundo hii ambayo ni usanifu wa kisimbaji (mfululizo-kwa-mfuatano)?
    • GPT-3
    • BERT
    • Neno2Vec
    • T5
  5. Kwa nini muundo wa kusimbuaji unafaa kwa asili kwa tafsiri?
    • Kwa sababu ingizo na pato ni mfuatano tofauti, unaohitaji ufahamu kamili kisha kizazi kipya
    • Kwa sababu pembejeo na pato huwa na urefu sawa
    • Kwa sababu haihitaji kamwe kutoa maandishi mapya
    • Kwa sababu inaepuka kutumia umakini kabisa
  6. In the original Transformer architecture, what attention does the encoder use over its input sequence?
    • Causal attention that hides all earlier source tokens
    • Bidirectional self-attention over the full source sequence
    • Cross-attention only to an image sequence
    • No attention mechanism
  7. What training objective does BART use for pretraining?
    • It predicts only the next pixel in an image
    • It classifies each word into a fixed sentiment label
    • It corrupts text and trains a sequence-to-sequence denoising model to reconstruct the original
    • It performs speech recognition from raw audio
  8. How does T5 frame many NLP tasks for one encoder-decoder model?
    • As image classification with a shared label set
    • As speech waveforms with no text tokens
    • As separate model architectures for each task
    • As text-to-text inputs and outputs with task descriptions in the input text