course/main/it/chapter1/10.md

Quiz di fine capitolo

In questo capitolo abbiamo parlato di molti argomenti! Non preoccuparti se non hai capito tutto nel dettaglio: i prossimi capitoli ti aiuteranno a capire come molte di queste cose funzionano dietro le quinte.

Prima di procedere, però, verifichiamo cos'hai imparato in questo capitolo!

1. Esplora l'Hub e cerca il checkpoint roberta-large-mnli. Quale compito svolge?

roberta-large-mnli page." }, { text: "Classificazione testuale", explain: "Più precisamente, determina se due frasi sono connesse logicamente su tre livelli associati alle etichette 'contradiction', 'neutral' e 'entailment'. Questo compito viene detto anche natural language inference.", correct: true }, { text: "Generazione testuale", explain: "Rivisita il link e prova di nuovo: roberta-large-mnli page." } ]} />

2. Cosa restituisce il codice seguente?

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: "Genera e restituisce testo che completa la frase di partenza.", explain: "Sbagliato! Se così fosse, si tratterebbe di una pipeline di tipo text-generation.", }, { text: "Restituisce i termini che rappresentano persone, organizzazioni o luoghi.", explain: "Inoltre, grazie a grouped_entities=True, la pipeline è in grado di raggruppare le parole che appartengono alla stessa entità, come "Hugging Face".", correct: true } ]} />

3. Cosa dovrebbe rimpiazzare "..." in questo estratto di codice?

from transformers import pipeline

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

aspetta te.", explain: "Sbagliato. Controlla la card del modello bert-base-cased e cerca di capire il tuo errore." }, { text: "Questo [MASK] aspetta te.", explain: "Corretto! Il mask token utilizzato dal modello è [MASK].", correct: true }, { text: "Questo signore aspetta te.", explain: "Sbagliato. Questa pipeline completa parole nascoste, quindi necessita di un mask token nell'input." } ]} />

4. Perché questo codice non funziona?

from transformers import pipeline

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

candidate_labels=[...].", correct: true }, { text: "Questa pipeline richiede diverse frasi, non solo una.", explain: "Sbagliato, anche se quando usata correttamente, questa pipeline può tranquillamente processare una lista di frasi (come tutte le altre pipeline)." }, { text: "Come al solito, la libreria Transformer di 🤗 non funziona.", explain: "Ci rifiutiamo di commentare la tua risposta!" }, { text: "Questa pipeline richiede un input più lungo. Quello fornito è troppo corto.", explain: "Sbagliato. Sappi che per processare testi molto lunghi, questa pipeline li deve troncare." } ]} />

5. Cosa significa "transfer learning"?

6. Vero o falso? Solitamente un modello linguistico non richiede etichette in fase di pre-addestramento.

self-supervised, il che significa che le etichette sono create direttamente a partire dall'input (come quando una pipeline predice la parola seguente o indovina parole nascoste).", correct: true }, { text: "Falso", explain: "La risposta non è corretta." } ]} />

7. Seleziona la frase che meglio descrive i termini "modello," "architettura," e "pesi."

8. Quale dei seguenti modelli utilizzeresti per completare dei prompt con testo generato?

9. Quale dei seguenti modelli utilizzeresti per riassumere testi?

10. Quale dei seguenti modelli utilizzeresti per classificare input testuali sulla base di determinate etichette?

11. Qual è la possibile origine di un bias osservato in un modello?