Modulutvärdering

1.

Anta att din text corpus innehåller 80 000 olika ord. Vilket av nedanstående skulle du slutföra genom att minska indatavektorns dimensionalitet till neural klassificerare?

Välj 10 % av orden slumpmässigt och ignorera resten.

Använd ett konvolutionellt lager före ett fullt anslutet klassificeringslager

Använd inbäddningslager före fullt anslutet klassificeringslager

Välj 10 % av de vanligaste orden och ignorera resten

2.

Vi vill träna ett neuralt nätverk för att generera nya roliga ord för en barnbok. Vilken arkitektur kan vi använda?

LSTM på Word-nivå

LSTM på teckennivå

RNN på Word-nivå

Perceptron på teckennivå

3.

Återkommande neurala nätverk kallas återkommande eftersom:

Ett nätverk används för varje indataelement och utdata från föregående program skickas till nästa

Den tränas av en återkommande process

Den består av lager som innehåller andra undernät

4.

Vad är huvudidén bakom LSTM-nätverksarkitekturen?

Fast antal LSTM-block för hela datamängden

Den innehåller många lager av återkommande neurala nätverk

Explicit tillståndshantering med glömska och tillståndsutlösande

5.

Vad är huvudtanken med uppmärksamhet?

Uppmärksamhet tilldelar en viktkoefficient till varje ord i vokabulären för att visa hur viktigt det är

Uppmärksamhet är ett nätverkslager som använder uppmärksamhetsmatris för att se hur mycket indatatillstånd från varje steg som påverkar slutresultatet.

Uppmärksamhet bygger global korrelationsmatris mellan alla ord i vokabulären och visar deras samtidighet

Feedback