Cette page a été traduite par l'API Cloud Translation. Représentations vectorielles continues: tester vos connaissances Revenir au parcours Parmi les propositions suivantes, lesquelles sont de bons candidats pour une représentation vectorielle continue ? (Sélectionnez toutes les réponses qui s'appliquent.) Choisissez autant de réponses que vous jugez nécessaires. Températures maximales quotidiennes à Tokyo, au Japon, de 1999 à 2024. Séquences génomiques de virus simples. Un grand ensemble de données de photos haute définition de chevaux. Lignes de code dans un grand projet logiciel. Vous encodez une base de données d'images en noir et blanc de 100 x 100 pixels représentant des chiffres manuscrits en tant que vecteurs représentant les pixels de l'image: 0 pour le blanc et 1 pour le noir. Si vous créez un embedding à partir de cet encodage, combien de dimensions aura-t-il approximativement ? 10 000 dimensions Plus de 10 000 dimensions Moins de 10 000 dimensions Parmi les propositions suivantes, lesquelles sont des avantages de l'utilisation de vecteurs d'encapsulation pour les données de fonctionnalités par rapport aux vecteurs one-hot des mêmes données ? (Sélectionnez toutes les réponses qui s'appliquent.) Choisissez autant de réponses que vous jugez nécessaires. Un modèle utilisant des vecteurs d'embedding aura moins de pondérations à ajuster pendant l'entraînement. L'entraînement du modèle sera plus rapide et moins coûteux lorsque vous utiliserez des vecteurs d'encapsulation. Un modèle entraîné sur les représentations vectorielles continues n'a pas besoin d'être évalué avec un ensemble de test. La dimensionnalité des données augmente lorsque vous utilisez des vecteurs d'encapsulation, ce qui améliore les performances du modèle. Vrai ou faux: Les poids extraits d'une couche cachée d'un réseau de neurones entraînés peuvent être utilisés comme vecteur d'encapsulation. Vrai Faux En quoi un entraînement vectoriel continuel contextuel diffère-t-il d'un entraînement vectoriel continuel statique ? (Sélectionnez toutes les réponses qui s'appliquent.) Choisissez autant de réponses que vous jugez nécessaires. Les représentations vectorielles continues contextuelles encodent des informations de position, contrairement aux représentations vectorielles continues statiques. Un jeton est représenté par un seul vecteur d'encapsulation statique, mais peut être représenté par plusieurs vecteurs d'encapsulation contextuels. Les représentations vectorielles continues contextuelles ont un coût de calcul inférieur aux représentations vectorielles continues statiques. Les embeddings statiques permettent d'effectuer des opérations mathématiques sémantiquement pertinentes entre les vecteurs dans tous les cas d'utilisation, contrairement aux embeddings contextuels. Envoyer les réponses error_outline Une erreur s'est produite lors de la notation du quiz. Veuillez réessayer.
