course/main/es/chapter2/8.md

# Quiz de final de capítulo

### 1. ¿Cuál es el orden del pipeline de modelado del lenguaje?

### 2. ¿Cuántas dimensiones tiene el tensor producido por el modelo base de Transformer y cuáles son?

### 3. ¿Cuál de los siguientes es un ejemplo de tokenización de subpalabras?

### 4. ¿Qué es una cabeza del modelo?

{#if fw === 'pt'}
### 5. ¿Qué es un AutoModel?

AutoTrain?"
		},
		{
			text: "Un objeto que devuelve la arquitectura correcta basado en el punto de control",
			explain: "Exacto: el AutoModel sólo necesita conocer el punto de control desde el cual inicializar para devolver la arquitectura correcta.",
			correct: true
		},
		{
			text: "Un modelo que detecta automáticamente el lenguaje usado por sus entradas para cargar los pesos correctos",
			explain: "Incorrecto; aunque algunos puntos de control y modelos son capaces de manejar varios lenguajes, no hay herramientas integradas para la selección automática de punto de control de acuerdo al lenguaje. ¡Deberías dirigirte a Model Hub para encontrar el mejor punto de control para tu tarea!"
		} 
	]}
/>

{:else}
### 5. ¿Qué es un TFAutoModel?

AutoTrain?"
		},
		{
			text: "Un objeto que devuelve la arquitectura correcta basado en el punto de control",
			explain: "Exacto: el TFAutoModel sólo necesita conocer el punto de control desde el cual inicializar para devolver la arquitectura correcta.",
			correct: true
		},
		{
			text: "Un modelo que detecta automáticamente el lenguaje usado por sus entradas para cargar los pesos correctos",
			explain: "Incorrecto; aunque algunos puntos de control y modelos son capaces de manejar varios lenguajes, no hay herramientas integradas para la selección automática de punto de control de acuerdo al lenguaje. ¡Deberías dirigirte a Model Hub para encontrar el mejor punto de control para tu tarea!"
		} 
	]}
/>

{/if}

### 6. ¿Cuáles son las técnicas a tener en cuenta al realizar batching de secuencias de diferentes longitudes juntas?

### 7. ¿Cuál es el punto de aplicar una función SoftMax a las salidas logits por un modelo de clasificación de secuencias?

### 8. ¿En qué método se centra la mayor parte de la API del tokenizador?

encode, ya que puede codificar texto en IDs e IDs en predicciones",
			explain: "¡Incorrecto! Aunque el método encode existe en los tokenizadores, no existe en los modelos." 
		},
		{
			text: "Llamar al objeto tokenizador directamente.",
			explain: "¡Exactamente! El método __call__ del tokenizador es un método muy poderoso el cual puede manejar casi cualquier cosa.También es el método usado para recuperar las predicciones de un modelo.",
			correct: true
		},
		{
			text: "pad",
			explain: "¡Incorrecto! El relleno es muy útil, pero es solo una parte de la API tokenizador."
		},
		{
			text: "tokenize",
			explain: "El método tokenize es posiblemente uno de los métodos más útiles, pero no es el núcleo de la API tokenizador."
		}
	]}
/>

### 9. ¿Qué contiene la variable `result` en este código de ejemplo?

```py
from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
result = tokenizer.tokenize("Hello!")
```

__call__ o convert_tokens_to_ids!"
		},
		{
			text: "Una cadena que contiene todos los tokens",
			explain: "Esto sería subóptimo, ya que el objetivo es dividir la cadena en varios tokens."
		}
	]}
/>

{#if fw === 'pt'}
### 10. ¿Hay algo mal con el siguiente código?

```py
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
model = AutoModel.from_pretrained("gpt2")

encoded = tokenizer("Hey!", return_tensors="pt")
result = model(**encoded)
```

{:else}
### 10. ¿Hay algo mal con el siguiente código?

```py
from transformers import AutoTokenizer, TFAutoModel

tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
model = TFAutoModel.from_pretrained("gpt2")

encoded = tokenizer("Hey!", return_tensors="pt")
result = model(**encoded)
```

{/if}