Buckets:

|
download
raw
12.4 kB
# آزمون بدون نمره[[ungraded-quiz]]
تا اینجا در این فصل مطالب زیادی را پوشش داده‌ایم! اگر همهٔ جزئیات را به‌خوبی درک نکرده‌اید نگران نباشید؛ این آزمون فرصتی است تا دربارهٔ چیزهایی که تاکنون آموخته‌اید تأمل کنید.
این آزمون نمره ندارد و می‌توانید هرچند بار که می‌خواهید آن را امتحان کنید. اگر در پاسخ به پرسشی مشکل داشتید، نکته‌ها را دنبال کنید و به مطالب برگردید. در آزمون گواهی‌نامه دوباره از این مطالب پرسش خواهد شد.
### ۱. هاب را بررسی کنید و نقطهٔ بررسی `roberta-large-mnli` را پیدا کنید. این نقطهٔ بررسی چه وظیفه‌ای انجام می‌دهد؟
<Question
choices={[
{
text: "خلاصه‌سازی",
explain: "دوباره صفحهٔ roberta-large-mnli را بررسی کنید."
},
{
text: "دسته‌بندی متن",
explain: "به‌طور دقیق‌تر، این مدل بررسی می‌کند که آیا دو جمله در سه برچسب (تناقض، خنثی، استلزام) از نظر منطقی با هم ارتباط دارند یا نه؛ این وظیفه را استنتاج زبان طبیعی (natural language inference) نیز می‌نامند.",
correct: true
},
{
text: "تولید متن",
explain: "دوباره صفحهٔ roberta-large-mnli را بررسی کنید."
}
]}
/>
### ۲. کد زیر چه چیزی برمی‌گرداند؟
```py
from transformers import pipeline
ner = pipeline("ner", aggregation_strategy="simple")
ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")
```
<Question
choices={[
{
text: "امتیازهای دسته‌بندی این جمله را با برچسب‌های \"مثبت\" یا \"منفی\" برمی‌گرداند.",
explain: "این پاسخ نادرست است — برای این کار باید از خط لولهٔ sentiment-analysis استفاده شود."
},
{
text: "متنی تولیدشده را برمی‌گرداند که ادامهٔ این جمله است.",
explain: "این پاسخ نادرست است — برای این کار باید از خط لولهٔ text-generation استفاده شود.",
},
{
text: "واژه‌هایی را که نشان‌دهندهٔ افراد، سازمان‌ها یا مکان‌ها هستند برمی‌گرداند.",
explain: "همچنین، با aggregation_strategy=&quot;simple&quot; واژه‌های متعلق به یک موجودیت، مانند \"Hugging Face\"، در کنار هم گروه‌بندی می‌شوند.",
correct: true
}
]}
/>
### ۳. در نمونه‌کد زیر، جایگزین ... چه باید باشد؟
```py
from transformers import pipeline
filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")
```
<Question
choices={[
{
text: "این &#60;mask> منتظر شما بوده است.",
explain: "این پاسخ نادرست است. کارت مدل bert-base-cased را بررسی کنید و سعی کنید اشتباه خود را پیدا کنید."
},
{
text: "این [MASK] منتظر شما بوده است.",
explain: "توکِن ماسک این مدل [MASK] است.",
correct: true
},
{
text: "این مرد منتظر شما بوده است.",
explain: "این پاسخ نادرست است. این خط لوله واژه‌های ماسک‌شده را پر می‌کند، پس باید جایی در ورودی توکِن ماسک وجود داشته باشد."
}
]}
/>
### ۴. چرا این کد با خطا مواجه می‌شود؟
```py
from transformers import pipeline
classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")
```
<Question
choices={[
{
text: "این خط لوله برای دسته‌بندی متن به برچسب‌هایی نیاز دارد.",
explain: "درست است — کد صحیح باید candidate_labels=[...] را نیز شامل شود.",
correct: true
},
{
text: "این خط لوله به چند جمله نیاز دارد، نه فقط یک جمله.",
explain: "این پاسخ نادرست است؛ هرچند هنگام استفادهٔ صحیح می‌توان فهرستی از جمله‌ها را نیز (مانند همهٔ خط لوله‌های دیگر) برای پردازش به آن داد."
},
{
text: "کتابخانهٔ 🤗 Transformers مثل همیشه خراب است.",
explain: "به این پاسخ شایستهٔ توضیحی نمی‌دهیم!"
},
{
text: "این خط لوله به ورودی‌های طولانی‌تری نیاز دارد؛ ورودی حاضر خیلی کوتاه است.",
explain: "این پاسخ نادرست است. توجه کنید که متن بسیار طولانی هنگام پردازش با این خط لوله کوتاه می‌شود."
}
]}
/>
### ۵. «یادگیری انتقالی» به چه معناست؟
<Question
choices={[
{
text: "انتقال دانش یک مدل ازپیش‌آموزش‌دیده به مدل جدید با آموزش مدل جدید روی همان دیتاست.",
explain: "خیر، در این حالت دو نسخه از یک مدل خواهید داشت."
},
{
text: "انتقال دانش یک مدل ازپیش‌آموزش‌دیده به مدل جدید با مقداردهی اولیهٔ مدل دوم با وزن‌های مدل اول.",
explain: "وقتی مدل دوم روی وظیفه‌ای جدید آموزش داده می‌شود، دانش مدل اول را «منتقل» می‌کند.",
correct: true
},
{
text: "انتقال دانش یک مدل ازپیش‌آموزش‌دیده به مدل جدید با ساختن مدل دوم با همان معماری مدل اول.",
explain: "معماری فقط شیوهٔ ساخت مدل است؛ در این حالت هیچ دانشی به اشتراک گذاشته یا منتقل نمی‌شود."
}
]}
/>
### ۶. درست یا نادرست؟ یک مدل زبانی معمولاً برای پیش‌آموزش خود به برچسب نیاز ندارد.
<Question
choices={[
{
text: "درست",
explain: "پیش‌آموزش معمولاً خودنظارتی است؛ یعنی برچسب‌ها به‌طور خودکار از ورودی‌ها ساخته می‌شوند (برای نمونه، با پیش‌بینی واژهٔ بعدی یا پرکردن واژه‌های ماسک‌شده).",
correct: true
},
{
text: "نادرست",
explain: "این پاسخ صحیح نیست."
}
]}
/>
### ۷. جمله‌ای را انتخاب کنید که اصطلاح‌های «مدل»، «معماری» و «وزن‌ها» را بهتر توصیف می‌کند.
<Question
choices={[
{
text: "اگر مدل یک ساختمان باشد، معماری آن نقشهٔ ساختمان و وزن‌ها افرادی هستند که داخل آن زندگی می‌کنند.",
explain: "با ادامهٔ این تشبیه، وزن‌ها باید آجرها و دیگر موادی باشند که برای ساخت ساختمان استفاده می‌شوند."
},
{
text: "معماری نقشه‌ای برای ساخت مدل است و وزن‌های آن شهرهایی هستند که روی نقشه نمایش داده شده‌اند.",
explain: "اشکال این تشبیه آن است که نقشه معمولاً یک واقعیت موجود را نشان می‌دهد (برای مثال، فقط یک شهر به نام پاریس در فرانسه وجود دارد). اما برای یک معماری مشخص، وزن‌های متعددی ممکن است وجود داشته باشد."
},
{
text: "معماری زنجیره‌ای از توابع ریاضی برای ساخت مدل است و وزن‌ها پارامترهای آن توابع هستند.",
explain: "همان مجموعهٔ توابع ریاضی (معماری) می‌تواند با پارامترهای متفاوت (وزن‌ها) مدل‌های مختلفی بسازد.",
correct: true
}
]}
/>
### ۸. برای تکمیل درخواست‌ها با متن تولیدشده از کدام نوع مدل استفاده می‌کنید؟
<Question
choices={[
{
text: "مدل رمزگذار",
explain: "مدل رمزگذار بازنمایی‌ای از کل جمله تولید می‌کند که برای وظایفی مانند دسته‌بندی مناسب‌تر است."
},
{
text: "مدل رمزگشا",
explain: "مدل‌های رمزگشا برای تولید متن از یک درخواست کاملاً مناسب‌اند.",
correct: true
},
{
text: "مدل دنباله‌به‌دنباله",
explain: "مدل‌های دنباله‌به‌دنباله برای وظایفی مناسب‌ترند که می‌خواهید جمله‌هایی مرتبط با جمله‌های ورودی تولید کنید، نه برای یک درخواست مشخص."
}
]}
/>
### ۹. برای خلاصه‌کردن متن‌ها از کدام نوع مدل استفاده می‌کنید؟
<Question
choices={[
{
text: "مدل رمزگذار",
explain: "مدل رمزگذار بازنمایی‌ای از کل جمله تولید می‌کند که برای وظایفی مانند دسته‌بندی مناسب‌تر است."
},
{
text: "مدل رمزگشا",
explain: "مدل‌های رمزگشا برای تولید متن خروجی (مانند خلاصه‌ها) خوب‌اند، اما نمی‌توانند از زمینه‌ای مانند کل متن برای خلاصه‌سازی استفاده کنند."
},
{
text: "مدل دنباله‌به‌دنباله",
explain: "مدل‌های دنباله‌به‌دنباله برای وظیفهٔ خلاصه‌سازی کاملاً مناسب‌اند.",
correct: true
}
]}
/>
### ۱۰. برای دسته‌بندی ورودی‌های متنی بر اساس برچسب‌های مشخص از کدام نوع مدل استفاده می‌کنید؟
<Question
choices={[
{
text: "مدل رمزگذار",
explain: "مدل رمزگذار بازنمایی‌ای از کل جمله تولید می‌کند که برای وظیفه‌ای مانند دسته‌بندی کاملاً مناسب است.",
correct: true
},
{
text: "مدل رمزگشا",
explain: "مدل‌های رمزگشا برای تولید متن خروجی مناسب‌اند، نه استخراج یک برچسب از جمله."
},
{
text: "مدل دنباله‌به‌دنباله",
explain: "مدل‌های دنباله‌به‌دنباله برای وظایفی مناسب‌ترند که بخواهید بر اساس یک جملهٔ ورودی متن تولید کنید، نه یک برچسب."
}
]}
/>
### ۱۱. سوگیری مشاهده‌شده در یک مدل ممکن است از چه منبعی ناشی شود؟
<Question
choices={[
{
text: "مدل نسخه‌ای ریزتنظیم‌شده از یک مدل ازپیش‌آموزش‌دیده است و سوگیری خود را از آن گرفته است.",
explain: "هنگام به‌کارگیری یادگیری انتقالی، سوگیری مدل ازپیش‌آموزش‌دیدهٔ مورد استفاده در مدل ریزتنظیم‌شده باقی می‌ماند.",
correct: true
},
{
text: "داده‌ای که مدل روی آن آموزش دیده سوگیرانه است.",
explain: "این بدیهی‌ترین منبع سوگیری است، اما تنها منبع نیست.",
correct: true
},
{
text: "معیاری که مدل برای آن بهینه می‌شده سوگیرانه است.",
explain: "منبع کمتر بدیهی سوگیری، شیوهٔ آموزش مدل است. مدل شما بدون هیچ ملاحظه‌ای هر معیاری را که انتخاب کرده‌اید بهینه می‌کند.",
correct: true
}
]}
/>

Xet Storage Details

Size:
12.4 kB
·
Xet hash:
ec93be40e6d47871e8bba7478b31b9578b2e9823ad0f6d75378547cbad13907b

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.