Işın Arama Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Işın aramasında 'ışın genişliği' (k) neyi kontrol eder?
   • Her kod çözme adımında kaç tane kısmi aday dizi tutulur?
   • Oluşturulan dizinin maksimum uzunluğu
   • Olasılıklara uygulanan sıcaklık
   • Modelin kelime dağarcığının boyutu
2. Işın aramanın açgözlü kod çözmeden farkı nedir?
   • Her zaman en yüksek olasılığa sahip tokenı seçer
   • Tek bir diziye bağlı kalmak yerine birden fazla yüksek puanlı kısmi diziyi tutar
   • Belirteçleri rastgele örnekler
   • Belirteç olasılıklarını tamamen göz ardı eder
3. Uzunluk normalizasyonu neden ışın aramada yaygın olarak uygulanır?
   • Üretimi hızlandırmak için
   • Kelime boyutunu artırmak için
   • Çünkü log olasılıklarının toplanması puanları daha kısa dizilere doğru yönlendirir
   • Çıkışlara rastgelelik eklemek için
4. Işın araması hangi görev için özellikle uygundur?
   • Açık uçlu yaratıcı hikaye anlatımı
   • Maksimum çeşitlilikte rastgele metin oluşturma
   • Tahmin edilemeyen şiirler üretmek
   • Aslına sadık, yüksek olasılıklı bir çıktının istendiği durumlarda makine çevirisi
5. Açık uçlu üretim için çok geniş bir ışın genişliği kullanmanın bilinen dezavantajı nedir?
   • Daha yumuşak, tekrarlayan veya dejenere metinler üretebilir
   • En yaratıcı çıktıyı garanti eder
   • Herhangi bir olasılık modeline olan ihtiyacı ortadan kaldırır
   • Modelin girişi görmezden gelmesini sağlar
6. Işın araması her adımda hangi adayların tutulacağına nasıl karar veriyor?
   • Belirteçlerin alfabetik sırasına göre
   • Kümülatif puana göre (log olasılıklarının toplamı), en üstteki k'yi koruyarak
   • En uzun adayları seçerek
   • Tüm adaylar arasından rastgele seçimle
7. 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
8. 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