แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการค้นหาบีม
สำรวจว่าการค้นหาบีมเก็บลำดับบางส่วนที่ให้คะแนนสูงหลายๆ ลำดับอย่างไร และบทลงโทษของการให้คะแนนจะส่งผลต่อข้อความเอาต์พุตสุดท้ายอย่างไร
คำถาม 1 ของ 8
'ความกว้างของลำแสง' (k) ควบคุมอะไรในการค้นหาลำแสง
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- 'ความกว้างของลำแสง' (k) ควบคุมอะไรในการค้นหาลำแสง
- จำนวนลำดับตัวเลือกบางส่วนที่ถูกเก็บไว้ในแต่ละขั้นตอนการถอดรหัส
- ความยาวสูงสุดของลำดับที่สร้างขึ้น
- อุณหภูมิที่ใช้กับความน่าจะเป็น
- ขนาดของคำศัพท์ของแบบจำลอง
- การค้นหาบีมแตกต่างจากการถอดรหัสโลภอย่างไร
- มันจะเลือกโทเค็นที่มีความน่าจะเป็นสูงสุดเพียงอันเดียวเสมอ
- โดยจะเก็บลำดับบางส่วนที่ให้คะแนนสูงไว้หลายลำดับ แทนที่จะเก็บไว้เพียงลำดับเดียว
- มันสุ่มตัวอย่างโทเค็น
- โดยจะละเว้นความน่าจะเป็นของโทเค็นโดยสิ้นเชิง
- เหตุใดการทำให้ความยาวเป็นมาตรฐานจึงถูกนำมาใช้ในการค้นหาลำแสง
- เพื่อให้เกิดความรวดเร็วยิ่งขึ้น
- เพื่อเพิ่มขนาดคำศัพท์
- เนื่องจากการสรุปอคติของความน่าจะเป็นของบันทึกจะนำไปสู่ลำดับที่สั้นกว่า
- เพื่อเพิ่มการสุ่มให้กับเอาท์พุต
- การค้นหาลำแสงเหมาะสมอย่างยิ่งกับงานใด
- การเล่าเรื่องอย่างสร้างสรรค์แบบปลายเปิด
- การสร้างข้อความสุ่มที่หลากหลายสูงสุด
- สร้างสรรค์บทกวีที่คาดเดาไม่ได้
- การแปลด้วยคอมพิวเตอร์ที่ต้องการผลลัพธ์ที่น่าเชื่อถือสูง
- อะไรคือข้อเสียที่ทราบของการใช้ความกว้างของลำแสงที่ใหญ่มากสำหรับรุ่นปลายเปิด?
- อาจทำให้เกิดข้อความที่ไม่สุภาพ ซ้ำซาก หรือเสื่อมเสียได้
- รับประกันผลงานที่สร้างสรรค์ที่สุด
- โดยไม่จำเป็นต้องใช้โมเดลความน่าจะเป็นใดๆ
- มันทำให้โมเดลละเว้นอินพุต
- ในแต่ละขั้นตอน การค้นหาบีมจะตัดสินว่าจะเก็บผู้สมัครคนใดไว้อย่างไร
- ตามลำดับตัวอักษรของโทเค็น
- โดยคะแนนสะสม (ผลรวมของความน่าจะเป็นของบันทึก) โดยรักษาค่า k ไว้ด้านบน
- โดยเลือกผู้สมัครที่ยาวที่สุด
- โดยการสุ่มเลือกจากผู้สมัครทั้งหมด
- What problem does GNMT’s coverage penalty aim to reduce in translation?
- Repeatedly encoding the same source vocabulary
- The use of subword units
- Output translations that fail to cover source words
- The number of encoder layers
- What does diverse beam search modify to encourage different candidate outputs?
- It replaces the model probabilities with uniform random scores
- It removes all but one candidate at the first step
- It changes the training tokenizer after decoding
- It penalizes similarity or overlap among candidates in different beam groups