Buckets:
గ్రేడ్ లేని క్విజ్[[ungraded-quiz]]
ఇప్పటివరకు, ఈ అధ్యాయం చాలా విషయాలను కవర్ చేసింది! మీరు అన్ని వివరాలను గ్రహించలేకపోయినా చింతించకండి, కానీ క్విజ్తో ఇప్పటివరకు మీరు నేర్చుకున్న వాటిని సమీక్షించుకోవడం మంచిది.
ఈ క్విజ్కు గ్రేడ్ లేదు, కాబట్టి మీరు దీన్ని మీకు కావలసినన్ని సార్లు ప్రయత్నించవచ్చు. కొన్ని ప్రశ్నలతో మీరు ఇబ్బంది పడితే, చిట్కాలను అనుసరించి, మెటీరియల్ను మళ్ళీ చూడండి. సర్టిఫికేషన్ పరీక్షలో ఈ మెటీరియల్పై మిమ్మల్ని మళ్లీ క్విజ్ చేయబడుతుంది.
1. హబ్ను అన్వేషించండి మరియు roberta-large-mnli చెక్పాయింట్ కోసం చూడండి. ఇది ఏ పనిని చేస్తుంది?
ఇప్పటివరకు, ఈ అధ్యాయం చాలా విషయాలను కవర్ చేసింది! మీరు అన్ని వివరాలను గ్రహించలేకపోయినా చింతించకండి, కానీ క్విజ్తో ఇప్పటివరకు మీరు నేర్చుకున్న వాటిని సమీక్షించుకోవడం మంచిది.
ఈ క్విజ్కు గ్రేడ్ లేదు, కాబట్టి మీరు దీన్ని మీకు కావలసినన్ని సార్లు ప్రయత్నించవచ్చు. కొన్ని ప్రశ్నలతో మీరు ఇబ్బంది పడితే, చిట్కాలను అనుసరించి, మెటీరియల్ను మళ్ళీ చూడండి. సర్టిఫికేషన్ పరీక్షలో ఈ మెటీరియల్పై మిమ్మల్ని మళ్లీ క్విజ్ చేయబడుతుంది.
హబ్ను అన్వేషించండి మరియు roberta-large-mnli చెక్పాయింట్ కోసం చూడండి. ఇది ఏ పనిని చేస్తుంది?
<Question choices={[ { text: "సారాంశీకరణ", explain: '<a href="https://huggingface.co/roberta-large-mnli\">roberta-large-mnli page లో మళ్ళీ చూడండి.', }, { text: "టెక్స్ట్ వర్గీకరణ", explain: "మరింత కచ్చితంగా చెప్పాలంటే, ఇది రెండు వాక్యాలు తార్కికంగా మూడు లేబుల్స్లో (వైరుధ్యం, తటస్థం, అనుమితి) కదానికొకటి సంబంధం కలిగి ఉన్నాయో లేదో వర్గీకరిస్తుంది — ఈ పనిని natural language inference అని కూడా పిలుస్తారు.", correct: true, }, { text: "టెక్స్ట్ జనరేషన్", explain: '<a href="https://huggingface.co/roberta-large-mnli\">roberta-large-mnli page లో మళ్ళీ చూడండి.', }, ]} />
2. కింది కోడ్ ఏమి తిరిగి ఇస్తుంది??
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: "ఇది ఈ వాక్యం కోసం positive లేదా negative లేబుల్స్తో వర్గీకరణ స్కోర్లను తిరిగి ఇస్తుంది.",
explain: "ఇది తప్పు — ఇది sentiment-analysis పైప్లైన్ అవుతుంది."
},
{
text: "ఇది ఈ వాక్యాన్ని పూర్తి చేస్తూ ఉత్పత్తి చేయబడిన టెక్స్ట్ను తిరిగి ఇస్తుంది.",
explain: "ఇది తప్పు — ఇది text-generation పైప్లైన్ అవుతుంది.",
},
{
text: "ఇది వ్యక్తులు, సంస్థలు లేదా ప్రదేశాలను సూచించే పదాలను తిరిగి ఇస్తుంది.",
explain: "అంతేకాకుండా, grouped_entities=True తో, ఇది "Hugging Face" వంటి ఒకే ఎంటిటీకి చెందిన పదాలను సమూహపరుస్తుంది.",
correct: true
}
]}
/>
3. ఈ కోడ్ నమూనాలో ... స్థానంలో ఏమి ఉండాలి??
from transformers import pipeline
filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")
<Question choices={[ { text: "This
4. ఈ కోడ్ ఎందుకు విఫలమవుతుంది??
from transformers import pipeline
classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")
<Question
choices={[
{
text: "ఈ పైప్లైన్కు ఈ టెక్స్ట్ను వర్గీకరించడానికి లేబుల్స్ ఇవ్వాలి.",
explain:
"సరిగ్గా — సరైన కోడ్కు candidate_labels=[...] ను చేర్చాలి.",
correct: true,
},
{
text: "ఈ పైప్లైన్కు కేవలం ఒక వాక్యం కాకుండా, అనేక వాక్యాలు అవసరం.",
explain:
"ఇది తప్పు, సరిగ్గా ఉపయోగించినప్పుడు, ఈ పైప్లైన్ (ఇతర అన్ని పైప్లైన్ల వలె) ప్రాసెస్ చేయడానికి వాక్యాల జాబితాను తీసుకోవచ్చు.",
},
{
text: "🤗 Transformers లైబ్రరీ మామూలుగానే విఫలమైంది.",
explain: "మేము ఈ సమాధానానికి వ్యాఖ్యానించి గౌరవించము!",
},
{
text: "ఈ పైప్లైన్కు పొడవైన ఇన్పుట్లు అవసరం; ఇది చాలా చిన్నది.",
explain:
"ఇది తప్పు. ఈ పైప్లైన్ ద్వారా ప్రాసెస్ చేయబడినప్పుడు చాలా పొడవైన టెక్స్ట్ కుదించబడుతుందని గమనించండి.",
},
]}
/>
5. ట్రాన్స్ఫర్ లెర్నింగ్ అంటే ఏమిటి?
<Question choices={[ { text: "ఒక ప్రీట్రైన్డ్ మోడల్ యొక్క జ్ఞానాన్ని అదే డేటాసెట్పై శిక్షణ ఇవ్వడం ద్వారా కొత్త మోడల్కు బదిలీ చేయడం.", explain: "లేదు, అవి ఒకే మోడల్ యొక్క రెండు వెర్షన్లు అవుతాయి.", }, { text: "ఒక ప్రీట్రైన్డ్ మోడల్ యొక్క జ్ఞానాన్ని మొదటి మోడల్ యొక్క వెయిట్స్ తో రెండవ మోడల్ను ప్రారంభించడం ద్వారా కొత్త మోడల్కు బదిలీ చేయడం.", explain: "రెండవ మోడల్ కొత్త పనిపై శిక్షణ పొందినప్పుడు, అది మొదటి మోడల్ యొక్క జ్ఞానాన్ని బదిలీ చేస్తుంది.", correct: true, }, { text: "ఒక ప్రీట్రైన్డ్ మోడల్ యొక్క జ్ఞానాన్ని రెండవ మోడల్ను మొదటి మోడల్ యొక్క అదే ఆర్కిటెక్చర్తో నిర్మించడం ద్వారా కొత్త మోడల్కు బదిలీ చేయడం.", explain: "ఆర్కిటెక్చర్ అనేది మోడల్ నిర్మించబడిన విధానం మాత్రమే; ఈ సందర్భంలో ఏ జ్ఞానం పంచుకోబడదు లేదా బదిలీ చేయబడదు.", }, ]} />
6. నిజమా అబద్ధమా? ఒక భాషా నమూనాకు దాని ప్రీట్రైనింగ్ కోసం సాధారణంగా లేబుల్స్ అవసరం లేదు.
<Question choices={[ { text: "నిజం", explain: "ప్రీట్రైనింగ్ సాధారణంగా స్వీయ-పర్యవేక్షితం (self-supervised), అంటే లేబుల్స్ ఇన్పుట్ల నుండి స్వయంచాలకంగా సృష్టించబడతాయి (తదుపరి పదాన్ని అంచనా వేయడం లేదా కొన్ని మాస్క్ చేయబడిన పదాలను పూరించడం వంటివి).", correct: true, }, { text: "అబద్ధం", explain: "ఇది సరైన సమాధానం కాదు.", }, ]} />
7. మోడల్, ఆర్కిటెక్చర్, మరియు వెయిట్స్ అనే పదాలను ఉత్తమంగా వర్ణించే వాక్యాన్ని ఎంచుకోండి.
<Question choices={[ { text: "ఒక మోడల్ ఒక భవనం అయితే, దాని ఆర్కిటెక్చర్ బ్లూప్రింట్ మరియు వెయిట్స్ లోపల నివసించే ప్రజలు.", explain: "ఈ రూపకాలంకారాన్ని అనుసరించి, వెయిట్స్ భవనం నిర్మించడానికి ఉపయోగించే ఇటుకలు మరియు ఇతర పదార్థాలు అవుతాయి.", }, { text: "ఒక ఆర్కిటెక్చర్ అనేది ఒక మోడల్ను నిర్మించడానికి ఒక మ్యాప్ మరియు దాని వెయిట్స్ మ్యాప్లో సూచించబడిన నగరాలు.", explain: "ఈ రూపకాలంకారంతో సమస్య ఏమిటంటే, ఒక మ్యాప్ సాధారణంగా ఒక ఉన్న వాస్తవికతను సూచిస్తుంది (ఫ్రాన్స్లో పారిస్ అనే ఒకే ఒక నగరం ఉంది). ఒక నిర్దిష్ట ఆర్కిటెక్చర్ కోసం, బహుళ వెయిట్స్ సాధ్యమే.", }, { text: "ఒక ఆర్కిటెక్చర్ అనేది ఒక మోడల్ను నిర్మించడానికి గణిత ఫంక్షన్ల క్రమం మరియు దాని వెయిట్స్ ఆ ఫంక్షన్ల పారామితులు.", explain: "వివిధ పారామితులు (వెయిట్స్) ఉపయోగించి వివిధ మోడల్స్ను నిర్మించడానికి అదే గణిత ఫంక్షన్ల సెట్ (ఆర్కిటెక్చర్) ఉపయోగించవచ్చు.", correct: true, }, ]} />
8. ఉత్పత్తి చేయబడిన టెక్స్ట్తో ప్రాంప్ట్లను పూర్తి చేయడానికి మీరు ఈ రకమైన మోడల్స్లో దేనిని ఉపయోగిస్తారు?
<Question choices={[ { text: "ఒక ఎన్కోడర్ మోడల్", explain: "ఒక ఎన్కోడర్ మోడల్ మొత్తం వాక్యం యొక్క ప్రాతినిధ్యాన్ని ఉత్పత్తి చేస్తుంది, ఇది వర్గీకరణ వంటి పనులకు ఉత్తమంగా సరిపోతుంది.", }, { text: "ఒక డీకోడర్ మోడల్", explain: "డీకోడర్ మోడల్స్ ఒక ప్రాంప్ట్ నుండి టెక్స్ట్ జనరేషన్ కోసం సంపూర్ణంగా సరిపోతాయి.", correct: true, }, { text: "ఒక సీక్వెన్స్-టు-సీక్వెన్స్ మోడల్", explain: "సీక్వెన్స్-టు-సీక్వెన్స్ మోడల్స్ ఇచ్చిన ప్రాంప్ట్కు కాకుండా, ఇన్పుట్ వాక్యాలకు సంబంధించి వాక్యాలను ఉత్పత్తి చేయాలనుకునే పనులకు ఉత్తమంగా సరిపోతాయి.", }, ]} />
9. టెక్స్ట్లను సంగ్రహించడానికి మీరు ఆ రకమైన మోడల్స్లో దేనిని ఉపయోగిస్తారు?
<Question choices={[ { text: "ఒక ఎన్కోడర్ మోడల్", explain: "ఒక ఎన్కోడర్ మోడల్ మొత్తం వాక్యం యొక్క ప్రాతినిధ్యాన్ని ఉత్పత్తి చేస్తుంది, ఇది వర్గీకరణ వంటి పనులకు ఉత్తమంగా సరిపోతుంది.", }, { text: "ఒక డీకోడర్ మోడల్", explain: "డీకోడర్ మోడల్స్ అవుట్పుట్ టెక్స్ట్ను (సారాంశాలు వంటివి) ఉత్పత్తి చేయడానికి మంచివి, కానీ అవి సంగ్రహించాల్సిన మొత్తం టెక్స్ట్ వంటి కాంటెక్స్ట్ను ఉపయోగించుకునే సామర్థ్యాన్ని కలిగి ఉండవు.", }, { text: "ఒక సీక్వెన్స్-టు-సీక్వెన్స్ మోడల్", explain: "సీక్వెన్స్-టు-సీక్వెన్స్ మోడల్స్ ఒక సారాంశీకరణ పని కోసం సంపూర్ణంగా సరిపోతాయి.", correct: true, }, ]} />
10. కొన్ని లేబుల్స్ ప్రకారం టెక్స్ట్ ఇన్పుట్లను వర్గీకరించడానికి మీరు ఈ రకమైన మోడల్స్లో దేనిని ఉపయోగిస్తారు?
<Question choices={[ { text: "ఒక ఎన్కోడర్ మోడల్", explain: "ఒక ఎన్కోడర్ మోడల్ మొత్తం వాక్యం యొక్క ప్రాతినిధ్యాన్ని ఉత్పత్తి చేస్తుంది, ఇది వర్గీకరణ వంటి పని కోసం సంపూర్ణంగా సరిపోతుంది.", correct: true, }, { text: "ఒక డీకోడర్ మోడల్", explain: "డీకోడర్ మోడల్స్ అవుట్పుట్ టెక్స్ట్లను ఉత్పత్తి చేయడానికి మంచివి, ఒక వాక్యం నుండి లేబుల్ను సంగ్రహించడానికి కాదు.", }, { text: "ఒక సీక్వెన్స్-టు-సీక్వెన్స్ మోడల్", explain: "సీక్వెన్స్-టు-సీక్వెన్స్ మోడల్స్, ఒక లేబుల్కు కాకుండా, ఇన్పుట్ వాక్యం ఆధారంగా టెక్స్ట్ను ఉత్పత్తి చేయాలనుకునే పనులకు ఉత్తమంగా సరిపోతాయి.", }, ]} />
11. ఒక మోడల్లో గమనించిన పక్షపాతానికి సాధ్యమయ్యే మూలం ఏమిటి?
<Question choices={[ { text: "మోడల్ ఒక ప్రీట్రైన్డ్ మోడల్ యొక్క ఫైన్-ట్యూన్డ్ వెర్షన్ మరియు దాని నుండి దాని పక్షపాతాన్ని గ్రహించింది.", explain: "ట్రాన్స్ఫర్ లెర్నింగ్ వర్తింపజేసినప్పుడు, ఉపయోగించిన ప్రీట్రైన్డ్ మోడల్లోని పక్షపాతం ఫైన్-ట్యూన్డ్ మోడల్లో కూడా కొనసాగుతుంది.", correct: true, }, { text: "మోడల్ శిక్షణ పొందిన డేటా పక్షపాతంతో ఉంది.", explain: "ఇది పక్షపాతానికి అత్యంత స్పష్టమైన మూలం, కానీ ఇది ఒక్కటే కాదు.", correct: true, }, { text: "మోడల్ ఆప్టిమైజ్ చేసిన కొలమానం పక్షపాతంతో ఉంది.", explain: "పక్షపాతానికి తక్కువ స్పష్టమైన మూలం మోడల్ శిక్షణ పొందిన విధానం. మీ మోడల్ మీరు ఎంచుకున్న ఏ కొలమానానికైనా గుడ్డిగా ఆప్టిమైజ్ చేస్తుంది, ఎటువంటి రెండవ ఆలోచనలు లేకుండా.", correct: true, }, ]} />
Xet Storage Details
- Size:
- 21.3 kB
- Xet hash:
- f3f8f4198e84ba9e8ab48f06aa2e98d3d2b3a5690483990b1d32edd9a4d26aa5
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.