Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Kurekebisha kiambishi awali

Tathmini mbinu ya prefix tuning ya kutumia uti wa mgongo uliogandishwa (frozen-backbone), akiba ya vigezo kwa kila kazi, uwekaji wa safu ya umakini, na matokeo ya kazi za uzalishaji wa lugha asilia.

Njia za mwongozo zinazohusianaKurekebisha kiambishi awali
Swali 1 ya 8

Upangaji kiambishi awali hufunza nini hasa?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Upangaji kiambishi awali hufunza nini hasa?
    • Uzito wote wa kibadilishaji cha mfano
    • Safu ya msamiati wa pato la mfano pekee
    • Nakala tofauti ya modeli kwa kila kazi
    • Seti ndogo ya vivekta vya kiambishi awali ilhali modeli inasalia kuganda
  2. Vekta za kiambishi awali hudungwa wapi?
    • Ndani ya funguo na maadili katika kila safu ya tahadhari
    • Tu kwenye safu ya mwisho ya pato
    • Ndani ya utendakazi wa upotezaji pekee
    • Weka kwenye tokenizer kabla ya kupachika
  3. Nani alianzisha urekebishaji wa kiambishi awali na takriban lini?
    • OpenAI mwaka wa 2018
    • Li na Liang huko Stanford mnamo 2021
    • Google mwaka wa 2015
    • Meta mwaka wa 2023
  4. Kwa nini kurekebisha kiambishi awali kunavutia kwa kuhudumia kazi nyingi?
    • Haihitaji data ya mafunzo hata kidogo
    • Inafanya uelekezaji uendeshwe bila vifaa
    • Kila kazi inahitaji kiambishi awali kidogo badala ya nakala kamili ya muundo
    • Huandika upya muundo msingi wa kazi zote mara moja
  5. Ni hila gani mara nyingi hutumika kuleta utulivu wa mafunzo ya kiambishi awali?
    • Kuongeza kiwango cha kujifunza mara mbili kila hatua
    • Kufungia kiambishi awali na kufunza mfano
    • Kuondoa tabaka zote za umakini
    • Kurekebisha kiambishi awali kupitia mtandao mdogo wa usambazaji-mbele ambao hutupwa baadaye
  6. Urekebishaji wa kiambishi awali uliangazia aina gani ya kazi hasa?
    • Uzalishaji wa lugha asilia kama vile jedwali-kwa-maandishi na muhtasari
    • Uainishaji wa picha
    • Usanisi wa muundo wa wimbi la sauti
    • Uorodheshaji wa hifadhidata
  7. What proportion of model parameters did the original prefix-tuning paper report learning in its experiments?
    • About 10%
    • About 0.1%
    • Takriban 50%
    • All model parameters
  8. How did prefix-tuning perform in the paper’s low-data settings?
    • It always matched full fine-tuning on every task
    • It could not train with limited examples
    • It outperformed full fine-tuning in some evaluated low-data cases
    • It changed every backbone parameter