NEW
Font size
WorksheetsNLP_PIPELINES
Total questions: 11
Worksheet time: 8mins
Closed-book question answering:
bazuje na wiedzy zawartej w modelu
wybiera fragmenty otrzymanego kontekstu
przeszukuje internet w celu znalezienia odpowiedzi
Mask filling:
Jest modelem językowym stworzonym do cenzurowania treści
należy do podkategorii
named entity recognition
jest wykorzystywany w procesie uczenia modeli NLU
Named entities recognition polega na :
znalezieniu w tekście rzeczowników
zaklasyfikowanie tokenów do predefiniowanych grup
znalezienie w tekście nazw własnych
Text summarization dzielimy na:
reading comprehension i closed-domain
extractive i abstractive
długie i krótkie
Inclusive i qualified
Wynikiem modelu analizy sentymentu jest:
0 albo 1
etykieta "POSITIVE" albo "NEGATIVE"
estymowane prawdopodobieństwo, że zdanie jest pozytywne
Fine-tunning to proces
douczania modelu do konkretnego zadania
dobierania odpowiednich parametrów do uczenia modelu
testowania modeli w celu wyboru najlepszego z nich
postprocessingu wyniku modelu
Z zadaniem podsumowania tekstu lub jego przetłumaczenia na inny język najlepiej poradzi sobie:
architektura decoder-only
architektura encoder-only
architektura encoder-decoder
Do named-entity recognition wykorzystujemy:
architekture encoder-only
architekture decoder-only
architekture encoder-decoder
Przykładem modelu encoder-only jest:
T5
GPT
BERT
Do inferencji (generowania) z modelu decoder-only, mającego 6B parametrów i wykorzystającego float16, potrzebujemy:
12GB RAMu na sam model
48GB RAMu na sam model
6GB RAMu na sam model
24GB RAMu na sam model
Tekst o długości 750 słów, w języku angielskim, będzie zawierał około:
500 tokenów
750 tokenów
1000 tokenów
2000 tokenów
