# Quiz de sfârșit de capitol[[test-de-sfârșit-de-capitol]]

Acest capitol a acoperit o mulțime de subiecte! Nu vă faceți griji dacă nu ați înțeles toate detaliile; capitolele următoare vă vor ajuta să înțelegeți cum funcționează lucrurile în mecanismele lor interne.

Mai întâi, însă, să testăm ceea ce ați învățat în acest capitol!

### 1. Explorați Hub-ul și căutați checkpoint-ul `roberta-large-mnli`. Ce sarcină îndeplinește acesta?

roberta-large-mnli."
		},
		{
			text: "Clasificare de text",
			explain: "Mai precis, clasifică dacă două propoziții sunt legate logic folosind trei etichete (contradicție, neutru, implicație) — o sarcină numită și inferență în limbaj natural.",
			correct: true
		},
		{
			text: "Generare de text",
			explain: "Uitați-vă din nou pe pagina roberta-large-mnli."
		}
	]}
/>

### 2. Ce va returna următorul cod?

```py
from transformers import pipeline

ner = pipeline("ner", grouped_entities=True)
ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")
```

sentiment-analysis."
		},
		{
			text: "Va returna un text generat care completează această propoziție.",
			explain: "Aceasta este incorect — ar fi un pipeline de text-generation.",
		},
		{
			text: "Va returna cuvintele care reprezintă persoane, organizații sau locații.",
			explain: "În plus, cu grouped_entities=True, va grupa împreună cuvintele care aparțin aceleiași entități, precum \"Hugging Face\".",
			correct: true
		}
	]}
/>

### 3. Ce ar trebui să înlocuiască ... în acest exemplu de cod?

```py
from transformers import pipeline

filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")
```

 has been waiting for you.",
			explain: "Aceasta este incorect. Verificați cardul modelului bert-base-cased și încercați să identificați greșeala."
		},
		{
			text: "This [MASK] has been waiting for you.",
			explain: "Corect! Token-ul de mască al acestui model este [MASK].",
			correct: true
		},
		{
			text: "This man has been waiting for you.",
			explain: "Aceasta este incorect. Acest pipeline completează cuvinte mascate, deci are nevoie de un token de mască undeva."
		}
	]}
/>

### 4. De ce nu va funcționa acest cod?

```py
from transformers import pipeline

classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")
```

candidate_labels=[...].",
			correct: true
		},
		{
			text: "Acest pipeline necesită mai multe propoziții, nu doar una.",
			explain: "Aceasta este incorect, deși atunci când este utilizat corespunzător, acest pipeline poate primi o listă de propoziții de procesat (ca toate celelalte pipeline-uri)."
		},
		{
			text: "Biblioteca 🤗 Transformers este defectă, ca de obicei.",
			explain: "Nu vom onora acest răspuns cu un comentariu!"
		},
		{
			text: "Acest pipeline necesită intrări mai lungi; aceasta este prea scurtă.",
			explain: "Aceasta este incorect. Rețineți că un text foarte lung va fi trunchiat atunci când este procesat de acest pipeline."
		}
	]}
/>

### 5. Ce înseamnă „transfer learning"?

### 6. Adevărat sau fals? De obicei, un model lingvistic nu are nevoie de etichete pentru preinstruire.

auto-supervizată, ceea ce înseamnă că etichetele sunt create automat din intrări (cum ar fi prezicerea următorului cuvânt sau completarea unor cuvinte mascate).",
			correct: true
		},
		{
			text: "Fals",
			explain: "Incorect."
		}
	]}
/>

### 7. Selectați propoziția care descrie cel mai bine termenii „model", „arhitectură" și „greutăți".

### 8. Care dintre aceste tipuri de modele le-ați folosi pentru a completa prompt-urile cu text generat?

### 9. Care dintre aceste tipuri de modele le-ați folosi pentru a rezuma texte?

### 10. Care dintre aceste tipuri de modele le-ați utiliza pentru a clasifica intrările de text în funcție de anumite etichete?

### 11. Ce sursă posibilă poate avea prejudecata observată într-un model?