引导式测验 · 中等 等级
嵌入测验
通过向量类比、近似搜索、学习偏差和归一化距离计算来探索嵌入几何和余弦相似度。
问题 1 的 8
这里使用的数字表示意义上的嵌入是什么？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 这里使用的数字表示意义上的嵌入是什么？
- 必须逐字存储的字典定义
- 图像文件所需的压缩格式
- 表示模型或比较任务的项目的向量
- 仅精确的数据库行标识符
- 经过训练的语义嵌入空间中的紧密度可以表明什么？
- 在该模型的目标下学到的相似性
- 保证两个陈述同样正确
- 每种情况下都有相同的字节序列
- 独立于训练的普遍关系
- 哪个指标通常用于比较两个嵌入？
- 文件大小差异
- 按字母顺序排列
- 字数统计
- 余弦相似度
- 像 HNSW 这样的近似嵌入索引会带来什么权衡？
- 保证每种配置下的完全准确检索
- 更快地搜索可能错过的精确最近邻居
- 每个向量都需要更改为单词定义
- 自动消除所有训练数据偏差
- 经典的“国王 - 男人 + 女人 ≈ 女王”示例展示了关于嵌入的什么？
- 他们可以通过向量算术捕获关系
- 它们存储单词的准确定义
- 他们只适用于版税条款
- 它们是随机且无意义的
- 使用嵌入时哪个是真正的风险？
- 它们无法存储在数据库中
- 他们只用英语工作
- 他们可以继承并反映训练数据中存在的偏差
- 他们仅使所有搜索完全匹配
- 两个单位长度嵌入向量的点积为 0.8。他们的欧氏距离平方是多少？
- 0.2
- 0.4
- 0.8
- 1.6
- 两个非零嵌入向量的内积分数何时等于余弦相似度？
- 每当它们的尺寸相等时
- 每当他们来自两个毫无血缘关系的模范家庭时
- 仅当它们的坐标全为零时
- 当两个向量都已标准化为单位长度时