course/pr_1114/pt/chapter1/10.md

Questionário de fim de capítulo

Este capítulo cobriu muito terreno! Não se preocupe se você não entendeu todos os detalhes; os próximos capítulos o ajudarão a entender como as coisas funcionam debaixo do capô.

Primeiro, porém, vamos testar o que você aprendeu neste capítulo!

1. Explore o Hub e olhe para o checkpoint roberta-large-mnli . Que tarefa ele executa?

<Question choices={[ { text: "Summarização", explain: "Olhe novamente na página <a href="https://huggingface.co/roberta-large-mnli\">roberta-large-mnli." }, { text: "Classificação de texto", explain: "Mais precisamente, ele classifica se duas ou mais sentenças estão logicamente conectadas entre três rótulos (contradição, neutro, vinculação) — uma tarefa também chamada de inferência de linguagem natural.", correct: true }, { text: "Geração de texto", explain: "Olhe novamente na página <a href="https://huggingface.co/roberta-large-mnli\">roberta-large-mnli." } ]} />

2. O que o código a seguir retornará?

from transformers import pipeline

ner = pipeline("ner", grouped_entities=True)
ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")

<Question choices={[ { text: "Ele retornará pontuações de classificação para esta frase, com rótulos 'positivo' ou 'negativo'.", explain: "Isso está incorreto - isso seria um pipeline de 'análise de sentimentos'." }, { text: "Ele retornará um texto gerado completando esta frase.", explain: "Isso está incorreto - seria um pipeline de ``geração de texto." }, { text: "Ele retornará as palavras que representam pessoas, organizações ou locais.", explain: "Além disso, com grouped_entities=True`, ele agrupará as palavras pertencentes à mesma entidade, como 'Hugging Face'.", correct: true } ]} />

3. O que deverá substituir ... nesse trecho de código?

from transformers import pipeline

filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")

<Question choices={[ { text: "Esta

4. Por que esse código irá dar erro?

from transformers import pipeline

classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")

<Question choices={[ { text: "Esse pipeline exige que sejam fornecidos rótulos para classificar esse texto.", explain: "Certo — o código correto precisa incluir candidate_labels=[...].", correct: true }, { text: "Esse pipeline requer várias frases, não apenas uma.", explain: "Isso é incorreto, mas quando usado corretamente, esse pipeline pode levar uma lista de frases para processar (como todos os outros pipelines)." }, { text: "A biblioteca 🤗 Transformers está quebrada, como sempre.", explain: "Não vamos dignificar esta resposta com um comentário!" }, { text: "Esse pipeline requer entradas mais longas; esta é muito curta.", explain: "Isso está incorreto. Observe que um texto muito longo será truncado quando processado por esse pipeline." } ]} />

5. O que "transfer learning" significa?

<Question choices={[ { text: "Transferir o conhecimento de um modelo pré-treinado para um novo modelo treinando-o no mesmo conjunto de dados.", explain: "Não, seriam duas versões do mesmo modelo." }, { text: "Transferir o conhecimento de um modelo pré-treinado para um novo modelo inicializando o segundo modelo com os pesos do primeiro modelo.", explain: "Correto: quando o segundo modelo é treinado em uma nova tarefa, ele _transfere_ o conhecimento do primeiro modelo.", correct: true }, { text: "Transferir o conhecimento de um modelo pré-treinado para um novo modelo construindo o segundo modelo com a mesma arquitetura do primeiro modelo", explain: "A arquitetura é apenas a forma como o modelo é construído; não há conhecimento compartilhado ou transferido neste caso." } ]} />

6. Verdadeiro ou Falso? Um modelo de linguagem geralmente não precisa de rótulos para seu pré-treino.

<Question choices={[ { text: "Verdadeiro", explain: "O pré-treinamento geralmente é _autosupervisionado_, o que significa que os rótulos são criados automaticamente a partir das entradas (como prever a próxima palavra ou preencher algumas palavras mascaradas).", correct: true }, { text: "Falso", explain:"Essa não é a resposta correta." } ]} />

7. Selecione a sentença que melhor descreve os termos "modelo", "arquitetura" e "pesos".

<Question choices={[ { text: "Se um modelo é um edifício, sua arquitetura é a planta e os pesos são as pessoas que vivem dentro dele.", explain: "Seguindo essa metáfora, os pesos seriam os tijolos e outros materiais utilizados na construção do edifício." }, { text: "Uma arquitetura é um mapa para construir um modelo e seus pesos são as cidades representadas no mapa.", explain: "O problema com essa metáfora é que um mapa geralmente representa uma realidade existente (há apenas uma cidade na França chamada Paris). Para uma determinada arquitetura, vários pesos são possíveis." }, { text: "Uma arquitetura é uma sucessão de funções matemáticas para construir um modelo e seus pesos são os parâmetros dessas funções.", explain: "O mesmo conjunto de funções matemáticas (arquitetura) pode ser usado para construir diferentes modelos usando diferentes parâmetros (pesos).", correct: true } ]} />

8. Quais desses tipos de modelos você usaria para completar comandos com textos gerados?

<Question choices={[ { text: "Um modelo de codificador", explain: "Um modelo de codificador gera uma representação de toda a frase que é mais adequada para tarefas como classificação." }, { text: "Um modelo de decodificador", explain: "Os modelos de decodificadores são perfeitamente adequados para geração de texto a partir de um prompt.", correct: true }, { text: "Um modelo de sequência a sequência", explain: "Os modelos de sequência a sequência são mais adequados para tarefas em que você deseja gerar frases em relação às frases de entrada, não a um determinado prompt." } ]} />

9. Quais desses tipos de modelos você usaria para resumir textos?

<Question choices={[ { text: "Um modelo de codificador", explain: "Um modelo de codificador gera uma representação de toda a frase que é mais adequada para tarefas como classificação." }, { text: "Um modelo de decodificador", explain: "Os modelos decodificadores são bons para gerar texto de saída (como resumos), mas não têm a capacidade de explorar um contexto como o texto inteiro para resumir." }, { text: "Um modelo de sequência a sequência", explain: "Os modelos de sequência a sequência são perfeitamente adequados para uma tarefa de sumarização.", correct: true } ]} />

10. Quais desses tipos de modelos você usaria para classificar entradas de texto de acordo com determinados rótulos?

<Question choices={[ { text: "Um modelo de codificador", explain: "Um modelo de codificador gera uma representação de toda a frase que é perfeitamente adequada para uma tarefa como classificação.", correct: true }, { text: "Um modelo de decodificador", explain: "Os modelos decodificadores são bons para gerar textos de saída, não para extrair um rótulo de uma frase." }, { text: "Um modelo de sequência a sequência", explain: "Os modelos de sequência a sequência são mais adequados para tarefas em que você deseja gerar texto com base em uma frase de entrada, não em um rótulo." } ]} />

11. Que possível fonte o viés observado em um modelo pode ter?

<Question choices={[ { text: "O modelo é uma versão afinada de um modelo pré-treinado e pega seu viés a partir dele.", explain: "Ao aplicar o Transfer Learning, o viés no modelo pré-treinado usado persiste no modelo ajustado.", correct: true }, { text: "Os dados em que o modelo foi treinado são enviesados.", explain: "Esta é a fonte mais óbvia de viés, mas não a única.", correct: true }, { text: "A métrica para a qual o modelo estava otimizando é enviesada.", explain: "Uma fonte menos óbvia de viés é a forma como o modelo é treinado. Seu modelo será otimizado cegamente para qualquer métrica que você escolher, sem pensar duas vezes.", correct: true } ]} />