แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการฝังคำย่อย FastText
สำรวจอักขระ n-gram ของ FastText กลุ่มฟีเจอร์ที่แฮช การสนับสนุนที่ไม่มีคำศัพท์ สัณฐานวิทยา และการจัดหมวดหมู่ข้อความที่ได้รับการดูแลอย่างรวดเร็ว
คำถาม 1 ของ 8
FastText นำเสนอคำเดียวได้อย่างไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- FastText นำเสนอคำเดียวได้อย่างไร
- เป็นถุงใส่ตัวอักษร n-gram รวมเข้าด้วยกัน
- เป็นโทเค็นเดียวที่แบ่งแยกไม่ได้เท่านั้น
- ตามคำจำกัดความจากพจนานุกรม
- เป็นเวกเตอร์สุ่ม
- FastText เอาชนะข้อ จำกัด ที่สำคัญของ Word2Vec และ GloVe อะไรบ้าง
- พวกเขาวิ่งเร็วเกินไป
- พวกเขาไม่สามารถสร้างเวกเตอร์สำหรับคำที่ไม่อยู่ในคำศัพท์ได้
- พวกเขาละเลยเครื่องหมายวรรคตอน
- พวกเขาทำงานเป็นภาษาอังกฤษเท่านั้น
- สำหรับคำว่า "where" ที่มี n-gram 3 ตัว ซึ่งเป็น n-gram ที่ถูกต้อง (มีเครื่องหมายขอบเขต)
- <ที่ไหน>เท่านั้น
- เอ็กซ์ซีส
- ไหน
- ที่
- โมเดลการฝังของ FastText สร้างขึ้นบนวัตถุประสงค์การฝึกอบรมพื้นฐานใด
- การแยกตัวประกอบเมทริกซ์ของ GloVe
- การแปลระดับประโยค
- การสูญเสียการจำแนกประเภทรูปภาพ
- ข้ามแกรมด้วยการสุ่มตัวอย่างเชิงลบ
- เหตุใด FastText จึงมีประโยชน์เป็นพิเศษสำหรับภาษาอย่างฟินแลนด์หรือตุรกี
- พวกมันมีสัณฐานวิทยามากมายด้วยรูปแบบคำที่หลากหลายซึ่งใช้คำย่อยร่วมกัน
- พวกเขามีคำพูดน้อยมาก
- พวกเขาไม่ใช้ช่องว่าง
- พวกเขาไม่มีคำที่หายาก
- Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
- Byte-pair encoding as subword units
- FastText’s hashed character n-gram bucket table
- A full-word-only vocabulary that discards rare tokens
- GloVe’s global co-occurrence matrix
- How does FastText store learnable features for its character n-grams?
- It stores every complete sentence as a separate vector
- It assigns each n-gram a pixel grid in a convolutional decoder
- It hashes n-grams into a fixed-size bucket table with learned vectors
- It replaces all subword features with a hand-written dictionary
- What can fastText's supervised mode do efficiently with its bag-of-features model?
- Estimate the 3D shape of an object from a single image
- Generate new audio waveforms from a spectrogram
- Compute a global word-word co-occurrence matrix only
- Classify text for tasks such as language identification or tagging