course/pr_1213/vi/chapter1/10.md

# Đố vui cuối chương

Chương này bao gồm rất nhiều mặt! Đừng lo lắng nếu bạn không nắm được tất cả các chi tiết; các chương tiếp theo sẽ giúp bạn hiểu mọi thứ hoạt động như thế nào.

Tuy nhiên, trước tiên, hãy kiểm tra những gì bạn đã học được trong chương này!

### 1. Khám phá Hub và tìm `roberta-large-mnli`. Nó phục vụ cho tác vụ gì?

roberta-large-mnli page.',
    },
    {
      text: "Phân loại văn bản",
      explain:
        "Chính xác hơn, nó phân loại nếu hai câu được liên kết một cách hợp lý qua ba nhãn (mâu thuẫn, trung lập, vướng mắc) — hay tác vụ còn được gọi là luận suy ngôn ngữ tự nhiên.",
      correct: true,
    },
    {
      text: "Tạo văn bản",
      explain:
        'Xem lại tại roberta-large-mnli page.',
    },
  ]}
/>

### 2. Đoạn mã sau sẽ trả về cái gì?

```py
from transformers import pipeline

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

sentiment-analysis.",
    },
    {
      text: "Nó sẽ trả về một văn bản được tạo để hoàn thành câu này.",
      explain:
        "Không chính xác - đây là mô tả của pipelinetext-generation.",
    },
    {
      text: "Nó sẽ trả về các từ đại diện cho người, tổ chức hoặc địa điểm.",
      explain:
        'Hơn nữa, với grouped_entities=True, nó sẽ nhóm các từ thuộc cùng một thực thể lại với nhau, ví dụ như "Hugging Face".',
      correct: true,
    },
  ]}
/>

### 3. Từ nào có thể thay thế ... trong đoạn mã dưới đây?

```py
from transformers import pipeline

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

 has been waiting for you.",
      explain:
        "Không chính xác. Kiểm tra thẻ mô hình bert-base-cased và cố gắng phát hiện lỗi của bạn.",
    },
    {
      text: "This [MASK] has been waiting for you.",
      explain: "Chính xác! Đáp án là [MASK].",
      correct: true,
    },
    {
      text: "This man has been waiting for you.",
      explain:
        "Không chính xác. Pipeline này sẽ điền vào các từ bị che đi, vì vậy nó cần một [MASK] token ở đâu đó.",
    },
  ]}
/>

### 4. Tại sao đoạn mã này sẽ lỗi?

```py
from transformers import pipeline

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

candidate_labels=[...].",
      correct: true,
    },
    {
      text: "Pipeline này yêu cầu nhiều câu thay vì một câu.",
      explain:
        "Không chính xác, mặc dù khi được sử dụng đúng cách, pipeline này có thể lấy một danh sách các câu để xử lý (giống như tất cả các pipeline khác).",
    },
    {
      text: "Thư viện 🤗 Transformers bị hỏng, như thường lệ.",
      explain:
        "Chúng tôi sẽ không đánh giá cao câu trả lời này với bất kỳ bình luận nào!",
    },
    {
      text: "Pipeline yêu cầu đầu vào dài hơn; pipeline này quá ngắn.",
      explain:
        "Không chính xác. Lưu ý rằng một văn bản rất dài sẽ bị cắt bớt khi xử lý bằng pipeline này.",
    },
  ]}
/>

### 5. "Học chuyển giao" nghĩa là gì?

### 6. Đúng hay sai? Một mô hình ngôn ngữ thường không cần nhãn cho quá trình huấn luyện trước của nó.

tự giám sát, có nghĩa là các nhãn được tạo ra tự động từ các đầu vào (như dự đoán từ tiếp theo hoặc điền vào một số từ bị che).",
      correct: true,
    },
    {
      text: "Sai",
      explain: "Đây không phải đáp án chính xác.",
    },
  ]}
/>

### 7. Chọn câu mô tả đúng nhất các thuật ngữ "mô hình", "kiến trúc" và "trọng số".

### 8. Bạn sẽ sử dụng loại mô hình nào trong số những loại mô hình này để hoàn thành lời nhắc với văn bản được tạo ra?

### 9. Bạn sẽ sử dụng kiểu mô hình nào để tóm tắt văn bản?

### 10. Bạn sẽ sử dụng kiểu mô hình nào trong số những kiểu mô hình này để phân loại đầu vào văn bản theo các nhãn nhất định?

### 11. Sự sai lệch quan sát thấy trong một mô hình có thể bắt nguồn nào?