course/pr_1114/ro/chapter1/10.md

Quiz de sfârșit de capitol[[test-de-sfârșit-de-capitol]]

Acest capitol a acoperit o mulțime de subiecte! Nu vă faceți griji dacă nu ați înțeles toate detaliile; capitolele următoare vă vor ajuta să înțelegeți cum funcționează lucrurile în mecanismele lor interne.

Mai întâi, însă, să testăm ceea ce ați învățat în acest capitol!

1. Explorați Hub-ul și căutați checkpoint-ul roberta-large-mnli. Ce sarcină îndeplinește acesta?

<Question choices={[ { text: "Sumarizare", explain: "Uitați-vă din nou pe pagina <a href="https://huggingface.co/roberta-large-mnli\">roberta-large-mnli." }, { text: "Clasificare de text", explain: "Mai precis, clasifică dacă două propoziții sunt legate logic folosind trei etichete (contradicție, neutru, implicație) — o sarcină numită și inferență în limbaj natural.", correct: true }, { text: "Generare de text", explain: "Uitați-vă din nou pe pagina <a href="https://huggingface.co/roberta-large-mnli\">roberta-large-mnli." } ]} />

2. Ce va returna următorul cod?

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: "Va returna scoruri de clasificare pentru această propoziție, cu etichetele "pozitiv" sau "negativ".", explain: "Aceasta este incorect — acesta ar fi un pipeline de sentiment-analysis." }, { text: "Va returna un text generat care completează această propoziție.", explain: "Aceasta este incorect — ar fi un pipeline de text-generation.", }, { text: "Va returna cuvintele care reprezintă persoane, organizații sau locații.", explain: "În plus, cu grouped_entities=True, va grupa împreună cuvintele care aparțin aceleiași entități, precum "Hugging Face".", correct: true } ]} />

3. Ce ar trebui să înlocuiască ... în acest exemplu de cod?

from transformers import pipeline

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

<Question choices={[ { text: "This <mask> has been waiting for you.", explain: "Aceasta este incorect. Verificați cardul modelului bert-base-cased și încercați să identificați greșeala." }, { text: "This [MASK] has been waiting for you.", explain: "Corect! Token-ul de mască al acestui model este [MASK].", correct: true }, { text: "This man has been waiting for you.", explain: "Aceasta este incorect. Acest pipeline completează cuvinte mascate, deci are nevoie de un token de mască undeva." } ]} />

4. De ce nu va funcționa acest cod?

from transformers import pipeline

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

<Question choices={[ { text: "Acest pipeline necesită să fie furnizate etichete pentru a clasifica acest text.", explain: "Corect — codul corect trebuie să includă candidate_labels=[...].", correct: true }, { text: "Acest pipeline necesită mai multe propoziții, nu doar una.", explain: "Aceasta este incorect, deși atunci când este utilizat corespunzător, acest pipeline poate primi o listă de propoziții de procesat (ca toate celelalte pipeline-uri)." }, { text: "Biblioteca 🤗 Transformers este defectă, ca de obicei.", explain: "Nu vom onora acest răspuns cu un comentariu!" }, { text: "Acest pipeline necesită intrări mai lungi; aceasta este prea scurtă.", explain: "Aceasta este incorect. Rețineți că un text foarte lung va fi trunchiat atunci când este procesat de acest pipeline." } ]} />

5. Ce înseamnă „transfer learning"?

<Question choices={[ { text: "Transferul cunoștințelor unui model preantrenat către un model nou prin antrenarea acestuia pe același set de date.", explain: "Nu, aceasta ar însemna două versiuni ale aceluiași model." }, { text: "Transferul cunoștințelor unui model preantrenat către un model nou prin inițializarea celui de-al doilea model cu ponderile primului model.", explain: "Corect: când al doilea model este antrenat pe o nouă sarcină, acesta *transferă* cunoștințele primului model.", correct: true }, { text: "Transferul cunoștințelor unui model preantrenat către un model nou prin construirea celui de-al doilea model cu aceeași arhitectură ca primul model.", explain: "Arhitectura este doar modul în care este construit modelul; nu există cunoștințe împărtășite sau transferate în acest caz." } ]} />

6. Adevărat sau fals? De obicei, un model lingvistic nu are nevoie de etichete pentru preinstruire.

<Question choices={[ { text: "Adevărat", explain: "Preantrenarea este de obicei auto-supervizată, ceea ce înseamnă că etichetele sunt create automat din intrări (cum ar fi prezicerea următorului cuvânt sau completarea unor cuvinte mascate).", correct: true }, { text: "Fals", explain: "Incorect." } ]} />

7. Selectați propoziția care descrie cel mai bine termenii „model", „arhitectură" și „greutăți".

<Question choices={[ { text: "Dacă un model este o clădire, arhitectura sa este planul și greutățile sunt oamenii care locuiesc în interior.", explain: "Urmând această metaforă, greutățile ar fi cărămizile și alte materiale utilizate pentru construirea clădirii." }, { text: "O arhitectură este o hartă pentru a construi un model, iar greutățile sale sunt orașele reprezentate pe hartă.", explain: "Problema cu această metaforă este că o hartă reprezintă de obicei o realitate existentă (există doar un singur oraș în Franța numit Paris). Pentru o arhitectură dată, sunt posibile multiple greutăți." }, { text: "O arhitectură este o succesiune de funcții matematice pentru a construi un model, iar greutățile sale sunt parametrii acelor funcții.", explain: "Același set de funcții matematice (arhitectură) poate fi utilizat pentru a construi modele diferite prin utilizarea unor parametri diferiți (greutăți).", correct: true } ]} />

8. Care dintre aceste tipuri de modele le-ați folosi pentru a completa prompt-urile cu text generat?

<Question choices={[ { text: "Un model encoder", explain: "Un model encoder generează o reprezentare a întregii propoziții care este mai potrivită pentru sarcini precum clasificarea." }, { text: "Un model decoder", explain: "Modelele decoder sunt perfect potrivite pentru generarea de text din prompt-uri.", correct: true }, { text: "Un model sequence-to-sequence", explain: "Modelele sequence-to-sequence sunt mai potrivite pentru sarcini în care doriți să generați propoziții în relație cu propozițiile de intrare, nu cu un prompt dat." } ]} />

9. Care dintre aceste tipuri de modele le-ați folosi pentru a rezuma texte?

<Question choices={[ { text: "Un model encoder", explain: "Un model encoder generează o reprezentare a întregii propoziții care este mai potrivită pentru sarcini precum clasificarea." }, { text: "Un model decoder", explain: "Modelele decoder sunt bune pentru generarea de text de ieșire (cum ar fi rezumatele), dar nu au capacitatea de a exploata un context precum întregul text de rezumat." }, { text: "Un model sequence-to-sequence", explain: "Modelele sequence-to-sequence sunt perfect potrivite pentru o sarcină de sumarizare.", correct: true } ]} />

10. Care dintre aceste tipuri de modele le-ați utiliza pentru a clasifica intrările de text în funcție de anumite etichete?

<Question choices={[ { text: "Un model encoder", explain: "Un model encoder generează o reprezentare a întregii propoziții care este perfect potrivită pentru o sarcină precum clasificarea.", correct: true }, { text: "Un model decoder", explain: "Modelele decoder sunt bune pentru generarea de texte de ieșire, nu pentru extragerea unei etichete dintr-o propoziție." }, { text: "Un model sequence-to-sequence", explain: "Modelele sequence-to-sequence sunt mai potrivite pentru sarcini în care doriți să generați text bazat pe o propoziție de intrare, nu o etichetă.", } ]} />

11. Ce sursă posibilă poate avea prejudecata observată într-un model?

<Question choices={[ { text: "Modelul este o versiune fine-tuned a unui model preantrenat și a preluat prejudecata de la acesta.", explain: "Când aplicați Transfer Learning, prejudecata din modelul preantrenat utilizat persistă în modelul fine-tuned.", correct: true }, { text: "Datele pe care a fost antrenat modelul sunt părtinitoare.", explain: "Aceasta este cea mai evidentă sursă de prejudecată, dar nu singura.", correct: true }, { text: "Metrica pe care modelul o optimiza este părtinitoare.", explain: "O sursă mai puțin evidentă de prejudecată este modul în care modelul este antrenat. Modelul dvs. va optimiza orb pentru orice metrică ați ales, fără alte considerații.", correct: true } ]} />