Buckets:

|
download
raw
15.4 kB

آزمون پایان فصل[[end-of-chapter-quiz]]

بیایید ببینیم در این فصل چه آموخته‌اید!

۱. کدام‌یک از وظایف زیر را می‌توان مسئله‌ی دسته‌بندی توکِن دانست؟

<Question choices={[ {text: "اجزای دستوری یک جمله را پیدا کنید.", explain: "درست است! می‌توانیم هر کلمه را به‌عنوان اسم، فعل و مانند آن برچسب‌گذاری کنیم.", correct: true}, {text: "مشخص کنید یک جمله از نظر دستوری درست است یا نه.", explain: "خیر، این مسئله‌ای از نوع دسته‌بندی توالی است."}, {text: "افراد ذکرشده در یک جمله را پیدا کنید.", explain: "درست است! می‌توانیم هر کلمه را به‌عنوان نام شخص یا غیرشخص برچسب‌گذاری کنیم.", correct: true}, {text: "بخشی از کلمات جمله را که به یک پرسش پاسخ می‌دهد پیدا کنید.", explain: "خیر، این مسئله‌ای از نوع پاسخ‌گویی به پرسش است."} ]} />

۲. کدام بخش از پیش‌پردازش دسته‌بندی توکِن با دیگر خط‌های پیش‌پردازش تفاوت دارد؟

<Question choices={[ {text: "لازم نیست کاری انجام دهیم؛ متن‌ها از قبل توکِن‌سازی شده‌اند.", explain: "متن‌ها واقعاً به‌صورت کلمات جداگانه داده شده‌اند، اما همچنان باید مدل توکِن‌سازی زیرکلمه را اعمال کنیم."}, {text: "متن‌ها به‌صورت کلمه داده شده‌اند، پس فقط باید توکِن‌سازی زیرکلمه را اعمال کنیم.", explain: "درست است! در پیش‌پردازش معمول باید خط کامل توکِن‌سازی را اعمال کنیم. می‌توانید تفاوت دیگری را حدس بزنید؟", correct: true}, {text: "برای برچسب‌گذاری توکِن‌های ویژه از -100 استفاده می‌کنیم.", explain: "این ویژگی مخصوص دسته‌بندی توکِن نیست — همیشه از -100 برای توکِن‌هایی استفاده می‌کنیم که باید در هزینه نادیده گرفته شوند."}, {text: "هنگام کوتاه‌سازی یا هم‌طول‌سازی، باید برچسب‌ها را به اندازه‌ی ورودی‌ها کوتاه یا هم‌طول کنیم.", explain: "درست است! البته این تنها تفاوت نیست.", correct: true} ]} />

۳. هنگام توکِن‌سازی کلمات و برچسب‌گذاری توکِن‌ها چه مسئله‌ای پیش می‌آید؟

<Question choices={[ {text: "توکِن‌ساز توکِن‌های ویژه اضافه می‌کند و برای آن‌ها برچسبی نداریم.", explain: "این توکِن‌ها را با -100 برچسب می‌زنیم تا در هزینه نادیده گرفته شوند."}, {text: "هر کلمه می‌تواند چند توکِن تولید کند، بنابراین توکِن‌ها از برچسب‌ها بیشتر می‌شوند.", explain: "این مسئله‌ی اصلی است و باید برچسب‌های اصلی را با توکِن‌ها هم‌تراز کنیم.", correct: true}, {text: "توکِن‌های اضافه‌شده برچسب ندارند، پس مسئله‌ای وجود ندارد.", explain: "نادرست است؛ باید به تعداد توکِن‌ها برچسب داشته باشیم وگرنه مدل خطا می‌دهد."} ]} />

۴. «سازگار کردن با حوزه» (domain adaptation) یعنی چه؟

<Question choices={[ {text: "مدل را روی یک دیتاسِت اجرا کنیم و برای هر نمونه پیش‌بینی بگیریم.", explain: "خیر، این فقط اجرای استنتاج است."}, {text: "مدل را روی یک دیتاسِت تعلیم دهیم.", explain: "خیر، این تعلیم یک مدل است؛ سازگارسازی‌ای رخ نمی‌دهد."}, {text: "مدل از پیش تعلیم‌دیده را روی دیتاسِت جدیدی کوک کنیم تا پیش‌بینی‌های سازگارتر با آن دیتاسِت بدهد.", explain: "درست است! مدل دانش خود را با دیتاسِت جدید سازگار کرده است.", correct: true}, {text: "نمونه‌های اشتباه را به دیتاسِت اضافه کنیم تا مدل مقاوم‌تر شود.", explain: "این کار می‌تواند مفید باشد، اما سازگار کردن با حوزه نیست."} ]} />

۵. برچسب‌ها در مدل‌سازی زبان ماسک‌شده چه هستند؟

<Question choices={[ {text: "برخی توکِن‌های جمله‌ی ورودی تصادفی ماسک می‌شوند و برچسب‌ها توکِن‌های اصلی ورودی‌اند.", explain: "همین است!", correct: true}, {text: "برخی توکِن‌ها ماسک می‌شوند و برچسب‌ها توکِن‌های اصلی هستند که یک خانه به چپ منتقل شده‌اند.", explain: "خیر، انتقال برچسب‌ها به چپ مربوط به پیش‌بینی کلمه‌ی بعدی، یعنی مدل‌سازی زبان علّی، است."}, {text: "برخی توکِن‌ها ماسک می‌شوند و برچسب مثبت یا منفی بودن جمله است.", explain: "این دسته‌بندی توالی با افزایش داده است، نه مدل‌سازی زبان ماسک‌شده."}, {text: "برخی توکِن‌های دو جمله ماسک می‌شوند و برچسب شباهت دو جمله است.", explain: "این دسته‌بندی توالی با افزایش داده است، نه مدل‌سازی زبان ماسک‌شده."} ]} />

۶. کدام‌یک از این وظایف را می‌توان مسئله‌ای دنباله‌به‌دنباله دانست؟

<Question choices={[ {text: "نوشتن مرورهای کوتاه برای اسناد طولانی", explain: "بله، این خلاصه‌سازی است. پاسخ دیگری را امتحان کنید!", correct: true}, {text: "پاسخ دادن به پرسش‌های مربوط به یک سند", explain: "می‌توان آن را دنباله‌به‌دنباله صورت‌بندی کرد؛ تنها پاسخ درست نیست.", correct: true}, {text: "ترجمه‌ی متنی از چینی به انگلیسی", explain: "این قطعاً دنباله‌به‌دنباله است. مورد دیگری پیدا کنید؟", correct: true}, {text: "اصلاح پیام‌های خواهرزاده یا دوست من تا انگلیسی درست باشند", explain: "این نوعی ترجمه و قطعاً دنباله‌به‌دنباله است. تنها پاسخ درست نیست!", correct: true} ]} />

۷. روش درست پیش‌پردازش داده برای مسئله‌ای دنباله‌به‌دنباله چیست؟

<Question choices={[ {text: "ورودی‌ها و هدف‌ها باید با inputs=... و targets=... هم‌زمان به توکِن‌ساز فرستاده شوند.", explain: "شاید این API را در آینده اضافه کنیم، اما فعلاً ممکن نیست."}, {text: "ورودی‌ها و هدف‌ها باید در دو فراخوانی جداگانه‌ی توکِن‌ساز پیش‌پردازش شوند.", explain: "درست است، اما کامل نیست؛ باید کاری کنید توکِن‌ساز هر دو را درست پردازش کند."}, {text: "مثل همیشه فقط باید ورودی‌ها را توکِن‌سازی کنیم.", explain: "در مسئله‌ی دسته‌بندی توالی، هدف‌ها هم متن هستند و باید به عدد تبدیل شوند!"}, {text: "ورودی‌ها و هدف‌ها باید به توکِن‌ساز فرستاده شوند، اما هدف‌ها در یک مدیر زمینه‌ی ویژه.", explain: "درست است؛ آن مدیر زمینه توکِن‌ساز را وارد حالت هدف می‌کند.", correct: true} ]} />

{#if fw === 'pt'}

۸. چرا برای مسائل دنباله‌به‌دنباله زیرکلاس ویژه‌ای از Trainer وجود دارد؟

<Question choices={[ {text: "چون این مسائل برای نادیده گرفتن برچسب‌های -100 از هزینه‌ای سفارشی استفاده می‌کنند.", explain: "این اصلاً هزینه‌ای سفارشی نیست؛ هزینه همیشه به همین شکل محاسبه می‌شود."}, {text: "چون به حلقه‌ی ارزیابی ویژه‌ای نیاز دارند.", explain: "درست است. پیش‌بینی مدل‌های دنباله‌به‌دنباله اغلب با متد generate() انجام می‌شود.", correct: true}, {text: "چون هدف‌ها در این مسائل متن هستند.", explain: "Trainer به این موضوع اهمیت نمی‌دهد، زیرا هدف‌ها پیش از آن پیش‌پردازش شده‌اند."}, {text: "چون در این مسائل از دو مدل استفاده می‌کنیم.", explain: "یک اِنکودر و یک دیکودر داریم، اما هر دو در یک مدل کنار هم قرار گرفته‌اند."} ]} />

{:else}

۹. چرا هنگام فراخوانی compile() روی مدل ترنسفورمر، اغلب نیازی به مشخص کردن هزینه نیست؟

<Question choices={[ {text: "چون مدل‌های ترنسفورمر با یادگیری بدون نظارت تعلیم می‌شوند.", explain: "نه — حتی یادگیری بدون نظارت هم به تابع هزینه نیاز دارد!"}, {text: "چون خروجی هزینه‌ی داخلی مدل به‌صورت پیش‌فرض استفاده می‌شود.", explain: "درست است!", correct: true}, {text: "چون معیارها را پس از تعلیم محاسبه می‌کنیم.", explain: "این کار رایج است، اما توضیح نمی‌دهد هزینه‌ی بهینه‌شده در تعلیم از کجا می‌آید."}, {text: "چون هزینه را در model.fit() مشخص می‌کنیم.", explain: "خیر، هزینه پس از model.compile() ثابت می‌شود و در model.fit() قابل تغییر نیست."} ]} />

{/if}

۱۰. چه زمانی باید مدل جدیدی را پیش‌تعلیم دهید؟

<Question choices={[ {text: "وقتی برای زبان خاص شما هیچ مدل از پیش تعلیم‌دیده‌ای وجود ندارد.", explain: "درست است.", correct: true}, {text: "وقتی داده‌ی زیادی دارید، حتی اگر مدل از پیش تعلیم‌دیده‌ای مناسب وجود داشته باشد.", explain: "در این حالت بهتر است مدل از پیش تعلیم‌دیده را روی داده‌ی خود کوک کنید تا هزینه‌ی محاسباتی عظیم پیش‌تعلیم را نپردازید."}, {text: "وقتی درباره‌ی سوگیری مدل از پیش تعلیم‌دیده نگرانی دارید.", explain: "درست است، اما باید مطمئن شوید داده‌ی تعلیم واقعاً بهتر است.", correct: true}, {text: "وقتی مدل‌های موجود به‌اندازه‌ی کافی خوب نیستند.", explain: "آیا خط تعلیم خود را به‌درستی اشکال‌زدایی کرده‌اید؟"} ]} />

۱۱. چرا پیش‌تعلیم مدل زبانی روی متن‌های بسیار زیاد آسان است؟

<Question choices={[ {text: "چون متن‌های زیادی روی اینترنت وجود دارد.", explain: "درست است، اما به پرسش پاسخ نمی‌دهد. دوباره تلاش کنید!"}, {text: "چون هدف پیش‌تعلیم به برچسب‌گذاری انسانی داده‌ها نیاز ندارد.", explain: "درست است؛ مدل‌سازی زبان مسئله‌ای خودنظارتی است.", correct: true}, {text: "چون کتابخانه‌ی 🤗 Transformers برای شروع تعلیم فقط چند خط کد لازم دارد.", explain: "درست است، اما به پرسش پاسخ نمی‌دهد. پاسخ دیگری را امتحان کنید!"} ]} />

۱۲. چالش‌های اصلی پیش‌پردازش داده برای پاسخ‌گویی به پرسش چیست؟

<Question choices={[ {text: "باید ورودی‌ها را توکِن‌سازی کنید.", explain: "درست است، اما آیا این واقعاً چالش اصلی است؟"}, {text: "باید با زمینه‌های بسیار طولانی کنار بیایید؛ هر نمونه چند ویژگی آموزشی می‌سازد که ممکن است پاسخ را داشته باشند یا نداشته باشند.", explain: "این قطعاً یکی از چالش‌هاست.", correct: true}, {text: "باید پاسخ‌ها را در کنار ورودی‌ها توکِن‌سازی کنید.", explain: "خیر، مگر اینکه مسئله را دنباله‌به‌دنباله صورت‌بندی کنید."}, {text: "از روی بازه‌ی پاسخ در متن باید توکِن آغاز و پایان را در ورودی توکِن‌سازی‌شده پیدا کنید.", explain: "بله، این یکی از بخش‌های دشوار است!", correct: true} ]} />

۱۳. پس‌پردازش معمولاً در پاسخ‌گویی به پرسش چگونه انجام می‌شود؟

<Question choices={[ {text: "مدل جایگاه آغاز و پایان پاسخ را می‌دهد و شما بازه‌ی متناظر توکِن‌ها را رمزگشایی می‌کنید.", explain: "این می‌تواند یک روش باشد، اما کمی بیش از حد ساده است."}, {text: "مدل جایگاه آغاز و پایان پاسخ را برای هر ویژگی می‌دهد و بازه‌ی توکِن‌ها را در ویژگی دارای بهترین امتیاز رمزگشایی می‌کنید.", explain: "به پس‌پردازش بررسی‌شده نزدیک است، اما کاملاً درست نیست."}, {text: "مدل جایگاه آغاز و پایان پاسخ را برای هر ویژگی می‌دهد و در ویژگی دارای بهترین امتیاز آن‌ها را با بازه‌ی متناظر در زمینه تطبیق می‌دهید.", explain: "خلاصه‌ی ماجرا همین است!", correct: true}, {text: "مدل پاسخ را تولید می‌کند و شما فقط آن را رمزگشایی می‌کنید.", explain: "خیر، مگر اینکه مسئله را دنباله‌به‌دنباله صورت‌بندی کنید."} ]} />

Xet Storage Details

Size:
15.4 kB
·
Xet hash:
cd1e950ec5a2633f86c7ccaf5cd5448c205d05831734b31096f70dfec99d9dd5

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