모델의 학습 속도를 높인다 다양한 표현 공간에서 정보를 병렬로 처리할 수 있다 모델의 파라미터 수를 줄인다 입력 데이터의 순서를 유지한다 Q2 : 트랜스포머 모델에서 "포지셔널 인코딩"의 역할은 무엇인가요? 입력 데이터의 순서를 모델에 전달하기 위해 모델의 파라미터 수를 줄이기 위해 어텐션 메커니즘을 단순화하기 위해 출력 데이터를 생성하기 위해 Q3 : 트랜스포머 모델이 순환 신경망 (RNN)과 비교하여 가지는 주요 장점은 무엇인가요? 더 적은 데이터로도 학습이 가능하다 순차적인 데이터 처리 속도가 빠르다 긴 문맥 정보를 더 잘 처리할 수 있다 더 적은 계산 자원을 필요로 한다 Q4 : 트랜스포머 모델의 주요 구성 요소가 아닌 것은 무엇인가요? 인코더 디코더 어텐션 메커니즘 순환 신경망 (RNN) Q5 : 트랜스포머 모델에서 어텐션 메커니즘의 주요 목적은 무엇인가요? 입력 데이터를 순차적으로 처리하기 위해 입력 데이터의 중요한 부분에 집중하기 위해 모델의 파라미터 수를 줄이기 위해 출력 데이터를 생성하기 위해 채점
입력 데이터의 순서를 모델에 전달하기 위해 모델의 파라미터 수를 줄이기 위해 어텐션 메커니즘을 단순화하기 위해 출력 데이터를 생성하기 위해 Q3 : 트랜스포머 모델이 순환 신경망 (RNN)과 비교하여 가지는 주요 장점은 무엇인가요? 더 적은 데이터로도 학습이 가능하다 순차적인 데이터 처리 속도가 빠르다 긴 문맥 정보를 더 잘 처리할 수 있다 더 적은 계산 자원을 필요로 한다 Q4 : 트랜스포머 모델의 주요 구성 요소가 아닌 것은 무엇인가요? 인코더 디코더 어텐션 메커니즘 순환 신경망 (RNN) Q5 : 트랜스포머 모델에서 어텐션 메커니즘의 주요 목적은 무엇인가요? 입력 데이터를 순차적으로 처리하기 위해 입력 데이터의 중요한 부분에 집중하기 위해 모델의 파라미터 수를 줄이기 위해 출력 데이터를 생성하기 위해 채점
더 적은 데이터로도 학습이 가능하다 순차적인 데이터 처리 속도가 빠르다 긴 문맥 정보를 더 잘 처리할 수 있다 더 적은 계산 자원을 필요로 한다 Q4 : 트랜스포머 모델의 주요 구성 요소가 아닌 것은 무엇인가요? 인코더 디코더 어텐션 메커니즘 순환 신경망 (RNN) Q5 : 트랜스포머 모델에서 어텐션 메커니즘의 주요 목적은 무엇인가요? 입력 데이터를 순차적으로 처리하기 위해 입력 데이터의 중요한 부분에 집중하기 위해 모델의 파라미터 수를 줄이기 위해 출력 데이터를 생성하기 위해 채점
인코더 디코더 어텐션 메커니즘 순환 신경망 (RNN) Q5 : 트랜스포머 모델에서 어텐션 메커니즘의 주요 목적은 무엇인가요? 입력 데이터를 순차적으로 처리하기 위해 입력 데이터의 중요한 부분에 집중하기 위해 모델의 파라미터 수를 줄이기 위해 출력 데이터를 생성하기 위해 채점