course/pr_1114/te/chapter1/7.md

# గ్రేడ్ లేని క్విజ్[[ungraded-quiz]]

<CourseFloatingBanner chapter={1} classNames="absolute z-10 right-0 top-0" />

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.

1. 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</a> 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 <em>natural language inference</em> అని కూడా పిలుస్తారు.",
         correct: true,
       },
       {
         text: "టెక్స్ట్ జనరేషన్",
         explain:
           '<a href=\"https://huggingface.co/roberta-large-mnli\">roberta-large-mnli page</a> లో మళ్ళీ చూడండి.',
       },
     ]}
   />

### 2. కింది కోడ్ ఏమి తిరిగి ఇస్తుంది??

```py
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 <code>sentiment-analysis</code> పైప్‌లైన్ అవుతుంది."
        },
        {
            text: "ఇది ఈ వాక్యాన్ని పూర్తి చేస్తూ ఉత్పత్తి చేయబడిన టెక్స్ట్‌ను తిరిగి ఇస్తుంది.",
            explain: "ఇది తప్పు — ఇది <code>text-generation</code> పైప్‌లైన్ అవుతుంది.",
        },
        {
            text: "ఇది వ్యక్తులు, సంస్థలు లేదా ప్రదేశాలను సూచించే పదాలను తిరిగి ఇస్తుంది.",
            explain: "అంతేకాకుండా, <code>grouped_entities=True</code> తో, ఇది \"Hugging Face\" వంటి ఒకే ఎంటిటీకి చెందిన పదాలను సమూహపరుస్తుంది.",
            correct: true
        }
    ]}
/>

### 3. ఈ కోడ్ నమూనాలో ... స్థానంలో ఏమి ఉండాలి??

```py
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:
        "ఇది తప్పు. <code>bert-base-cased</code> మోడల్ కార్డును తనిఖీ చేసి మీ పొరపాటును గుర్తించడానికి ప్రయత్నించండి.",
    },
    {
      text: "This [MASK] has been waiting for you.",
      explain: "ఈ మోడల్ యొక్క మాస్క్ టోకెన్ [MASK].",
      correct: true,
    },
    {
      text: "This man has been waiting for you.",
      explain:
        "ఇది తప్పు. ఈ పైప్‌లైన్ మాస్క్ చేయబడిన పదాలను నింపుతుంది, కాబట్టి దీనికి ఎక్కడో ఒక మాస్క్ టోకెన్ అవసరం.",
    },
  ]}
/>

### 4. ఈ కోడ్ ఎందుకు విఫలమవుతుంది??

```py
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 <code>candidate_labels=[...]</code> 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 <em>స్వీయ-పర్యవేక్షితం (self-supervised)</em>, 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,
    },
  ]}
/>


<EditOnGithub source="https://github.com/huggingface/course/blob/main/chapters/te/chapter1/7.mdx" />