Esta página foi traduzida pela API Cloud Translation. Embeddings: teste seu conhecimento Voltar para o módulo do Programa de treinamentos Qual das opções a seguir seria um bom candidato para incorporação? Escolha todas as opções relevantes. Escolha quantas respostas você achar adequado. Temperaturas máximas diárias em Tóquio, Japão, de 1999 a 2024. Sequências genômicas de vírus simples. Um grande conjunto de dados de fotos de alta definição de cavalos. Linhas de código em um grande projeto de software. Você codifica um banco de dados de imagens em preto e branco de 100 x 100 px de dígitos manuscritos como vetores que representam os pixels na imagem: 0 para branco e 1 para preto. Se você criar uma embedding com base nessa codificação, quantas dimensões ela terá? 10.000 dimensões Mais de 10.000 dimensões Menos de 10.000 dimensões Quais das opções a seguir são benefícios do uso de vetores de incorporação para dados de recursos em vez de vetores one-hot dos mesmos dados? Escolha todas as opções relevantes. Escolha quantas respostas você achar adequado. Um modelo que usa vetores de embedding terá menos pesos para ajustar durante o treinamento. O treinamento do modelo será mais rápido e barato ao usar vetores de embedding. Um modelo treinado com as embeddings não precisa ser avaliado com um conjunto de teste. A dimensionalidade dos dados vai aumentar ao usar vetores de incorporação, melhorando a performance do modelo. Verdadeiro ou falso: os pesos retirados de uma camada oculta de uma rede neural treinada podem ser usados como uma incorporação. Verdadeiro Falso Em que aspectos uma incorporação contextual é diferente de uma incorporação estática? Escolha todas as opções relevantes. Escolha quantas respostas você achar adequado. As inclusões contextuais codificam informações posicionais, enquanto as inclusões estáticas não. Um token é representado por uma incorporação estática, mas pode ser representado por várias incorporações contextuais. As inclusões contextuais têm um custo computacional menor em comparação com as inclusões estáticas. Os embeddings estáticos permitem operações matemáticas semanticamente significativas entre vetores em todos os casos de uso, enquanto os embeddings contextuais não permitem. Enviar respostas error_outline Ocorreu um erro ao avaliar o teste. Tente novamente.
