Вікторина, пов’язана з посібником · Середній Рівень
Вікторина «Пошук променя».
Дізнайтеся, як пошук за променем зберігає кілька часткових послідовностей із високими балами та як штрафні бали формують кінцевий вихідний текст.
Питання 1 з 8
Що визначає «ширина променя» (k) під час пошуку променя?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Що визначає «ширина променя» (k) під час пошуку променя?
- Скільки часткових послідовностей кандидатів зберігається на кожному кроці декодування
- Максимальна довжина згенерованої послідовності
- Температура, застосована до ймовірностей
- Розмір словникового запасу моделі
- Чим пошук за променем відрізняється від жадібного декодування?
- Він завжди вибирає єдиний токен із найвищою ймовірністю
- Він зберігає кілька часткових послідовностей із високими балами замість того, щоб прив’язуватися до однієї
- Він відбирає маркери випадковим чином
- Він повністю ігнорує ймовірності маркерів
- Чому нормалізація довжини зазвичай застосовується при пошуку променя?
- Щоб генерація була швидшою
- Для збільшення словникового запасу
- Оскільки підсумовування логарифмів ймовірностей зміщує результати в бік коротших послідовностей
- Щоб додати випадковість до виходів
- Для якого завдання пошук за променем особливо підходить?
- Відкрита творча розповідь
- Генерація максимально різноманітного випадкового тексту
- Створення непередбачуваної поезії
- Машинний переклад, де потрібний достовірний вихід із високою ймовірністю
- Який відомий недолік використання дуже великої ширини променя для відкритої генерації?
- Це може створювати більш м’який, повторюваний або вироджений текст
- Це гарантує найбільш творчий результат
- Це усуває потребу в будь-якій імовірнісній моделі
- Це змушує модель ігнорувати вхідні дані
- Як на кожному кроці пошук за променем визначає, яких кандидатів залишити?
- За алфавітним порядком лексем
- За кумулятивним балом (сума логарифмічних ймовірностей), зберігаючи верхнє k
- Вибираючи найдовших кандидатів
- Шляхом випадкового відбору серед усіх кандидатів
- 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