Chapter 11
章末小测试
章末小测试
``
这一章涵盖了很多内容！ 如果有一些不太明白的地方，请不要担心； 下一章将帮助你了解这些模块在底层是如何工作的。
让我们来测试一下你在这一章学到了什么！
1. 探索 Hub 并寻找 roberta-large-mnli checkpoint。 它可以完成什么类型的任务？
roberta-large-mnli 页面 再仔细看一下。"
},
{
text: "文本分类",
explain: "更准确地说，它能通过三个标签（矛盾，无关，蕴含）分类，判断两句话是否在逻辑上有关联——这项任务也称为自然语言推理（natural language inference）。",
correct: true
},
{
text: "文本生成",
explain: "点击前往<a href="https://huggingface.co/roberta-large-mnli\">`roberta-large-mnli` 页面 </a>再仔细看一下。"
}
]}
/>
2. 下面的代码将会输出什么结果？
from transformers import pipeline
ner = pipeline("ner", aggregation_strategy="simple")
ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")sentiment-analysis（情感分析） pipeline才会输出这些。" }, { text: "它将生成这句话的下一句话。", explain: "不对 —— text-generation（文本生成） pipeline才会输出这些。", }, { text: "它找出代表人员、组织或位置的单词。", explain: "正解! 此外，使用 aggregation_strategy="simple"，可以将属于同一实体的单词组合在一起，例如“Hugging Face”。", correct: true } ]} />
3. 在此代码示例中...的地方应该填写什么？
from transformers import pipeline
filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")has been waiting for you.", explain: "不对。 请查看 bert-base-cased 模型卡片,然后再尝试找找错在哪里。" }, { text: "This [MASK] has been waiting for you.", explain: "正解! 这个模型的mask token是[MASK]。", correct: true }, { text: "This man has been waiting for you.", explain: "不对。 这个pipeline的作用是填充经过mask的文字，因此它需要在输入中有一个mask token。" } ]} />
4. 为什么这段代码会无法运行？
from transformers import pipeline
classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")candidate_labels=[...]。", correct: true }, { text: "这个pipeline需要多个句子，而不仅仅是一个。", explain: "不对。尽管正确使用时，此pipeline可以同时处理多个句子（所有其他pipeline也是一样）。" }, { text: "🤗 Transformers库又出故障了。", explain: "对此，我们不予置评！" }, { text: "该pipeline需要更长的输入； 这个句子太短了。", explain: "不对。 不过请注意，在这个pipeline处理太长的文本时会将其截断。" } ]} />