입력 데이터의 순서를 모델에 전달하기 위해 모델의 파라미터 수를 줄이기 위해 어텐션 메커니즘을 단순화하기 위해 출력 데이터를 생성하기 위해 Q2 : 트랜스포머 모델에서 "멀티-헤드 어텐션"의 주요 이점은 무엇인가요? 모델의 학습 속도를 높인다 다양한 표현 공간에서 정보를 병렬로 처리할 수 있다 모델의 파라미터 수를 줄인다 입력 데이터의 순서를 유지한다 Q3 : 트랜스포머 모델의 주요 구성 요소가 아닌 것은 무엇인가요? 인코더 디코더 어텐션 메커니즘 순환 신경망 (RNN) Q4 : 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 Q5 : 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 채점
모델의 학습 속도를 높인다 다양한 표현 공간에서 정보를 병렬로 처리할 수 있다 모델의 파라미터 수를 줄인다 입력 데이터의 순서를 유지한다 Q3 : 트랜스포머 모델의 주요 구성 요소가 아닌 것은 무엇인가요? 인코더 디코더 어텐션 메커니즘 순환 신경망 (RNN) Q4 : 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 Q5 : 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 채점
인코더 디코더 어텐션 메커니즘 순환 신경망 (RNN) Q4 : 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 Q5 : 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 채점
입력 데이터를 순차적으로 처리하기 위해 입력 데이터의 중요한 부분에 집중하기 위해 모델의 파라미터 수를 줄이기 위해 출력 데이터를 생성하기 위해 Q5 : 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 채점