course/main/ro/chapter3/6.md

End-of-chapter quiz[[end-of-chapter-quiz]]

Testați-vă cunoștințele din acest capitol!

1. Dataset-ul emotion conține mesaje de pe Twitter etichetate cu emoții. Căutați-l în Hub și citiți descrierea dataset-ului. Care dintre acestea nu este una dintre emoțiile sale de bază?

2. Căutați dataset-ul ar_sarcasm în Hub. Ce tip de sarcină suportă?

descrierea dataset-ului!" }, { text: "Named entity recognition", explain: "Nu este corect — aruncați din nou o privire la descrierea dataset-ului!" }, { text: "Răspuns la întrebări (Question answering)", explain: "Din păcate, nu ați răspuns corect. Încercați din nou!" } ]} />

3. Cum se așteaptă modelul BERT ca o pereche de propoziții să fie procesată?

[SEP] pentru a separa cele două propoziții, dar nu este singurul lucru necesar!" }, { text: "[CLS] Tokens_of_sentence_1 Tokens_of_sentence_2", explain: "Este nevoie de un token special [CLS] la început, dar nu este singurul lucru necesar!" }, { text: "[CLS] Tokens_of_sentence_1 [SEP] Tokens_of_sentence_2 [SEP]", explain: "Corect!", correct: true }, { text: "[CLS] Tokens_of_sentence_1 [SEP] Tokens_of_sentence_2", explain: "Este nevoie atât de un token special [CLS] la început, cât și de un token special [SEP] pentru a separa cele două propoziții, dar mai lipsește ceva!" } ]} />

{#if fw === 'pt'}

4. Care sunt avantajele metodei Dataset.map()?

5. Ce înseamnă umplerea dinamică (dynamic padding)?

6. Care este scopul unei funcții de „collate"?

DataCollatorWithPadding în mod specific." }, { text: "Reunește toate eșantioanele într-un batch.", explain: "Corect! Poți transmite funcția de collate ca argument al unui DataLoader. Am folosit funcția DataCollatorWithPadding, care împachetează toate elementele dintr-un batch astfel încât să aibă aceeași lungime.", correct: true }, { text: "Preprocesează întregul set de date.", explain: "Aceasta ar fi o funcție de preprocessing, nu o funcție de collate." }, { text: "Trunchiază secvențele din setul de date.", explain: "O funcție de collate se ocupă de manipularea batch-urilor individuale, nu a întregului set de date. Dacă sunteți interesați de trunchiere, puteți folosi argumentul truncate al tokenizer." } ]} />

7. Ce se întâmplă când instanțiați una dintre clasele AutoModelForXxx cu un model de limbaj preantrenat (cum ar fi bert-base-uncased), care corespunde unei alte sarcini decât cea pentru care a fost antrenat?

AutoModelForSequenceClassification cu bert-base-uncased, am primit avertismente la instanțierea modelului. Head-ul preantrenat nu este folosit pentru sarcina de clasificare secvențială, așa că este eliminat și un nou head este instanțiat cu greutăți inițializate aleator.", correct: true }, { text: "Head-ul modelului preantrenat este eliminat.", explain: "Mai trebuie să se întâmple și altceva. Încercați din nou!" }, { text: "Nimic, pentru că modelul poate fi ajustat fin (fine-tuned) chiar și pentru o altă sarcină.", explain: "Head-ul preantrenat al modelului nu a fost antrenat pentru această sarcină, deci trebuie eliminat!" } ]} />

8. Care este scopul folosirii TrainingArguments?

Trainer.", explain: "Corect!", correct: true }, { text: "Specifică dimensiunea modelului.", explain: "Dimensiunea modelului este definită de configurația modelului, nu de clasa TrainingArguments." }, { text: "Conține doar hiperparametrii folosiți pentru evaluare.", explain: "În exemplu, am specificat și unde va fi salvat modelul și checkpoint-urile. Încercați din nou!" }, { text: "Conține doar hiperparametrii folosiți pentru antrenare.", explain: "În exemplu, am folosit și un evaluation_strategy, așadar acest lucru afectează evaluarea. Încercați din nou!" } ]} />

9. De ce ar trebui să folosiți biblioteca 🤗 Accelerate?

Trainer, nu cu biblioteca 🤗 Accelerate. Încercați din nou!" }, { text: "Face ca buclele noastre de antrenament să funcționeze pe strategii distribuite.", explain: "Corect! Cu 🤗 Accelerate, buclele voastre de antrenament vor funcționa pentru mai multe GPU-uri și TPU-uri.", correct: true }, { text: "Oferă mai multe funcții de optimizare.", explain: "Nu, biblioteca 🤗 Accelerate nu oferă nicio funcție de optimizare." } ]} />

{:else}

4. Ce se întâmplă când instanțiați una dintre clasele TFAutoModelForXxx cu un model de limbaj preantrenat (cum ar fi bert-base-uncased), care corespunde unei alte sarcini decât cea pentru care a fost antrenat?

TFAutoModelForSequenceClassification cu bert-base-uncased, am primit avertismente la instanțierea modelului. Head-ul preantrenat nu este folosit pentru sarcina de clasificare secvențială, așa că este eliminat și un nou head este instanțiat cu greutăți inițializate aleator.", correct: true }, { text: "Head-ul modelului preantrenat este eliminat.", explain: "Mai trebuie să se întâmple și altceva. Încercați din nou!" }, { text: "Nimic, pentru că modelul poate fi ajustat fin (fine-tuned) chiar și pentru o altă sarcină.", explain: "Head-ul preantrenat al modelului nu a fost antrenat pentru această sarcină, deci trebuie eliminat!" } ]} />

5. Modelele TensorFlow din transformers sunt deja modele Keras. Ce avantaj oferă acest lucru?

TPUStrategy, inclusiv inițializarea modelului." }, { text: "Puteți valorifica metodele existente precum compile(), fit() și predict().", explain: "Corect! Odată ce aveți datele, antrenarea necesită foarte puțin efort.", correct: true }, { text: "Învățați atât Keras, cât și transformers.", explain: "Corect, dar căutăm altceva :)", correct: true }, { text: "Puteți calcula cu ușurință metrici legate de dataset.", explain: "Keras ne ajută la antrenarea și evaluarea modelului, nu la calcularea metricilor legate de dataset." } ]} />

6. Cum vă puteți defini propria metrică personalizată?

tf.keras.metrics.Metric.", explain: "Perfect!", correct: true }, { text: "Folosind API-ul funcțional Keras.", explain: "Mai încearcă!" }, { text: "Folosind o funcție apelabilă cu semnătura metric_fn(y_true, y_pred).", explain: "Corect!", correct: true }, { text: "Căutând pe Google.", explain: "Nu este răspunsul pe care îl căutăm, dar probabil v-ar putea ajuta să-l găsiți.", correct: true } ]} />

{/if}