# Тест в конце главы[[end-of-chapter-quiz]]

### 1. Каков порядок работы конвейера языкового моделирования?

### 2. Сколько измерений имеет тензор, выводимый базовой моделью Transformer, и каковы они?

### 3. Что из перечисленного ниже является примером токенизации по подсловам?

### 4. Что такое голова модели?

{#if fw === 'pt'}
### 5. Что такое AutoModel?

AutoTrain?"
		},
		{
			text: "Объект, возвращающий правильную архитектуру на основе контрольной точки",
			explain: "Именно: в AutoModel для возврата правильной архитектуры достаточно знать контрольную точку, с которой нужно инициализироваться.",
			correct: true
		},
		{
			text: "Модель, которая автоматически определяет язык, используемый для входов, чтобы загрузить правильные веса",
			explain: "Неверно; хотя некоторые контрольные точки и модели способны работать с несколькими языками, встроенных инструментов для автоматического выбора контрольной точки в зависимости от языка не существует. Вам следует обратиться в Model Hub, чтобы найти лучшую контрольную точку для вашей задачи!"
		} 
	]}
/>

{:else}
### 5. Что такое TFAutoModel?

AutoTrain?"
		},
		{
			text: "Объект, возвращающий правильную архитектуру на основе контрольной точки",
			explain: "Именно так: в TFAutoModel для возврата правильной архитектуры достаточно знать контрольную точку, с которой нужно инициализироваться.",
			correct: true
		},
		{
			text: "Модель, которая автоматически определяет язык, используемый на входах, чтобы загрузить правильные веса",
			explain: "Неверно; хотя некоторые контрольные точки и модели способны работать с несколькими языками, встроенных инструментов для автоматического выбора контрольной точки в зависимости от языка не существует. Вам следует обратиться в Model Hub, чтобы найти лучшую контрольную точку для вашей задачи!"
		} 
	]}
/>

{/if}

### 6. На какие техники следует обратить внимание при объединении в батч последовательностей разной длины?

### 7. В чем смысл применения функции SoftMax к логитам, выводимым моделью классификации последовательностей?

### 8. Какой метод является основным в API токенизатора?

encode, поскольку он может кодировать текст в идентификаторы и идентификаторы в прогнозы.",
			explain: "Неверно! Если метод encode существует в токенизаторах, то в моделях его нет."
		},
		{
			text: "Вызов объекта токенизатора напрямую.",
			explain: "Точно! Метод __call__ токенизатора - это очень мощный метод, который может обрабатывать практически все. Это также метод, используемый для получения прогнозов из модели.",
			correct: true
		},
		{
			text: "pad",
			explain: "Неверно! Дополнение очень полезно, но это всего лишь одна из частей API токенизатора."
		},
		{
			text: "tokenize",
			explain: "Метод tokenize, пожалуй, один из самых полезных методов, но он не является ядром API токенизатора."
		}
	]}
/>

### 9. Что содержит переменная `result` в этом примере кода?

```py
from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
result = tokenizer.tokenize("Hello!")
```

__call__ или convert_tokens_to_ids!"
		},
		{
			text: "Строка, содержащая все токены",
			explain: "Это было бы неоптимально, поскольку цель состоит в том, чтобы разбить строку на множество токенов."
		}
	]}
/>

{#if fw === 'pt'}
### 10. Есть ли что-то неправильное в следующем коде?

```py
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
model = AutoModel.from_pretrained("gpt2")

encoded = tokenizer("Hey!", return_tensors="pt")
result = model(**encoded)
```

{:else}
### 10. Что-то не так с приведенным ниже кодом?

```py
from transformers import AutoTokenizer, TFAutoModel

tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
model = TFAutoModel.from_pretrained("gpt2")

encoded = tokenizer("Hey!", return_tensors="pt")
result = model(**encoded)
```

{/if}