id stringlengths 5 38 | question stringlengths 26 1.24k | option_a stringlengths 2 180 | option_b stringlengths 2 188 | option_c stringlengths 2 172 | option_d stringlengths 2 723 | answer stringclasses 4
values | answer_index int64 0 3 | source stringclasses 3
values | module stringclasses 14
values | difficulty stringclasses 3
values |
|---|---|---|---|---|---|---|---|---|---|---|
quiz_quiz_54 | Hoàn thiện đoạn code Perform Joins ởphần 10.0. Biết rằng cần:
• Thực hiện inner join giữa df và customer_demo_df trên khóa Customer_Name để bổsung thông tin nhân khẩu học.
• Sau đó thực hiện left join giữa kết quảtrên với product_cat_df trên khóa Product đểbổsung thông tin loại sản phẩm (Category).
• Hiển thịkết quảbằn... | Bob Johnson. | John Doe. | Jane Smith. | Sydney Waller. | A | 0 | vietnamese_exam | Module_3B | HARD |
exam_AIO25M09OT01_p337 | .
Tại khung hình t, bộlọc dựđoán xe ởtọa độyt = 150. Tuy nhiên, YOLO26 phát hiện xe ởvịtrí yp = 180. Nếu Kalman Gain Kx = 0.3, tọa độđược cập nhật cuối cùng là gì, biết rằng yt+1 = yt + Kx(yp −yt) | 159. | 165. | 171. | 180. | A | 0 | exam | Module_9 | EASY |
exam_AIO25M09UNET02_p304 | Xét phần Encoder của một mô hình U-Net được mô tảbởi đoạn code PyTorch dưới đây. Encoder gồm 3 encoder blocks liên tiếp, mỗi block gồm hai lớp Conv2d(3×3) theo sau bởi BatchNorm2d và ReLU.
U-Net Encoder
1 encoder = nn.Sequential(
2
3
# ----- Encoder Block 1 -----
4
nn.Conv2d(1, 64, kernel_size=3, bias= False),
5
nn.Bat... | 1145152. | 1144128. | 1147200. | 1150464. | A | 0 | exam | Module_9 | EASY |
exam_AIO25M05LR21_p131 | (Hard):
Giảsửcho bộdữliệu và tham số:
X =
1.
1
2.
1
3.
1
4.
1
5.
1
,
y =
1.
3.
4.
6.
8.
,
θ =
w b
=
1.
−0.
,
η = 0.02, N = 5.
Hãy tính lần lượt (i) ˆy = Xθ; (ii) k = 2(ˆy −y); (iii) gradient theo vector hoá
∇θL = XTk =
∂L/∂w
∂L/∂b
.
Chọn kết quảđúng của ∇θL. | −15.
−4. | −12.
−3. | −18.
−5. | −10.
−2. | A | 0 | exam | Module_5 | HARD |
exam_AIO25M10TGEN02_p382 | .
Dựa vào pipeline của mô hình RNN Language Model dưới đây đểthực hiện các yêu cầu của bài toán. Bài toán yêu cầu thực hiện quá trình inference cho mô hình tạo văn bản dựa trên kiến trúc RNN nhằm dựđoán chuỗi ký tựtiếp theo từmột từkhóa khởi tạo.
Dữliệu và tham sốcấu hình được quy định như sau.
1. Từđiển và Embedding T... | 0.62. | 0.68. | 0.46. | 0.34.
Ởbước đầu tiên, token khởi tạo là “hãy”. Từembedding của token này và trạng
thái ẩn ban đầu h0 = [0, 0], ta đưa qua khối RNN với hàm kích hoạt tanh đểthu
được trạng thái ẩn mới:
h1 ≈[0.9595, 0.9999]
Tiếp theo, đưa h1 qua lớp Fully-Connected đểthu được vector logits cho toàn bộ
từđiển:
[−0.3810, 0.7554, −2.9805,... | A | 0 | exam | Module_10 | HARD |
exam_AIO25M05LR03_p117 | (Easy):
Truyền một mẫu dữliệu đã được chuẩn hóa (x1, x2, x3, y) = (0.969852, 0.981522, 1.778945, 1.322319)
vào một mô hình Linear Regression ˆy = w1x1 + w2x2 + w3x3 + b được khởi tạo với các trọng sốw1 = w2 = w3 = 0 và bias b = 0. Giá trịdựđoán ˆy từmô hình trên là: | 0.0. | 1.322. | 0.97. | 2.75. | A | 0 | exam | Module_5 | EASY |
exam_AIO25M06MLP10_p159 | :
Xét một mạng nơ-ron đơn giản với thông tin như hình bên dưới, áp dụng cho 2 câu | 0.1709. | 0.2305. | 0.1957. | 0.1653. | A | 0 | exam | Module_6 | EASY |
exam_AIO25M07CNN03_p183 | :
1
0
0
1
0
1
1
0
Normalized Input Kernel 2
Kernel 1
Fully Connected
?
Output Bias Max Pooling kernel_size = 2
stride =2
BatchNorm mean = 0
std = 1
gamma = 0.5
beta = 1
ReLU
Stride = 1
Padding = 0
BatchNorm mean = 0
std = 1
gamma = 0.5
beta = 1
ReLU
1
1
1
Hình 3: Kiến trúc mô hình CNN cho các câu tính tay từcâ... | 2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0 | 3.0
3.0
3.0
3.0
3.0
3.0
3.0
3.0 | 3.0
3.0
3.0
3.0
6.0
3.0
3.0
6.0 | 2.0
2.0
2.0
2.0
2.0
2.0
2.0
3.0 | A | 0 | exam | Module_7 | EASY |
exam_AIO25M07CNN04_p185 | :
Với dữliệu đầu vào và thông tin vềmạng được mô tảtrong hình 3, hãy tính toán đầu ra của mạng sau lớp Batch Normalization và ReLU (làm tròn đến 1 chữsốthập phân). | 2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0 | 4.0
4.0
4.0
4.0
4.0
4.0
4.0
4.0 | 0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0 | 3.0
3.0
3.0
3.0
3.0
3.0
3.0
3.0 | A | 0 | exam | Module_7 | EASY |
exam_AIO25M07ICL03_p218 | :
Thực hiện triển khai mô hình LSTM bằng Pytorch với các tham sốđược mô tảởmodule
(2) trong hình (lưu ý batch_first=True, num_layers=1). Output của mô hình LSTM
gồm (out, (h_n, c_n)), đâu là shape đúng của out?
(a) (batch_size, seq_len, hidden_dims)
(b) (num_layers, batch_size, hidden_dims)
(c) (batch_size, hidden_dims... | (batch_size, seq_len, hidden_dims) | (num_layers, batch_size, hidden_dims) | (batch_size, hidden_dims, seq_len) | (batch_size, num_layers, hidden_dims)
Giải thích:
Với batch_first=True, PyTorch trảvề:
out ∈R(B, L, H),
trong đó:
• B là batch size,
• L là độdài chuỗi (seq_len),
• H là hidden size (hidden_dims).
Còn h_n, c_n mới có dạng liên quan đến num_layers. Do câu hỏi chỉhỏi out, nên shape
đúng là:
(B, seq_len, hidden_dims).
214 | A | 0 | exam | Module_7 | EASY |
exam_AIO25M07ICL06_p220 | :
Sau khi đã hoàn thành việc triển khai và đánh giá 4 mô hình ởcác phần trước, các bạn hãy chạy tiếp notebook tại đây đểthu được kết quảđánh giá của một mô hình Transformer pretrained trên tập test sau 3 epoch là bao nhiêu?
(a) 61.89%
(b) 81.32%
(c) 70.19%
(d) 90.57% | 61.89% | 81.32% | 70.19% | 90.57%
Giải thích: Code
216 | A | 0 | exam | Module_7 | EASY |
exam_AIO25M07TCL01_p221 | :
Cho batch_size=128, độdài chuỗi sau padding là L=256, và embed_dim=128. Hỏi shape của input đưa vào lớp nn.LSTM là bao nhiêu?
(a) (128, 256, 128)
(b) (128, 128, 256)
(c) (256, 128, 128)
(d) (128, 256) | (128, 256, 128) | (128, 128, 256) | (256, 128, 128) | (128, 256)
Giải thích: Trong PyTorch, khi sửdụng nn.LSTM với batch_first=True, input phải có
dạng:
(batch_size, seq_len, input_size).
217 | A | 0 | exam | Module_7 | EASY |
exam_AIO25M07TRANS01_p205 | :
Với dữliệu đầu vào và thông tin chi tiết vềhình 9 dưới đây:
1.5
0.5
0.5
1.0
0.5
0.5
1.5
0.
0.
1.5
1.0
1.5
+
Input Positional Encoding
1.5
1.5
1.8
0.5
2.5
2.0
0.5
1.0
Input Word Embedding
+
Positional
Encoding Masked Multi-Head Attention Add & Norm Hình 9: Hình ảnh minh hoạmô hình Transformer cho câu TRANS
Câu hỏi: ... | 2.4, 2.5 | 1.9, 0.8 | 0.8, 2.0 | 0.3, 0.8
201 | A | 0 | exam | Module_7 | EASY |
exam_AIO25M07TRANS03_p209 | :
Với dữliệu đầu vào và thông tin chi tiết vềhình 11 dưới đây:
14.4
12.5
13.7
19.8
21.2
1.7
2.5
4.8
1.6
2.4
4.7
1.8
1.9
Query Matrix
4.6
3.2
2.7
4.5
3.1
2.5
2.2
2.1
Key Matrix
Hình 11: Hình ảnh minh hoạmô hình Transformer cho câu TRANS
Câu hỏi: Tính các giá trịthiếu (các giá trị"?") trong hình lần lượt ("?1", "?2")... | 15.6, 15.2 | 13.8, 13.7 | 16.4, 11.6 | 15.8, 15.6
205 | A | 0 | exam | Module_7 | EASY |
exam_AIO25M08VG02_p266 | Tính toán – CrossAttentionVG: Giai đoạn 1 (Input →Cross Layer 1)
Cấu hình: | Patches=64, Visual: [3, 64, 768] →[3, 64, 512], Text: [3, 15, 768] →[3, 15, 512], Layer
1 output: Visual [3, 64, 512], Text [3, 15, 512]. | Patches=49, Visual: [3, 49, 768] →[3, 49, 512], Text: [3, 15, 768] →[3, 15, 512], Layer
1 output: Visual [3, 49, 512], Text [3, 15, 512]. | Patches=49, Visual: [3, 49, 768] →[3, 49, 512], Text: [3, 15, 768] →[3, 15, 512], Layer
1 output: Visual [3, 15, 512], Text [3, 49, 512]. | Patches=36, Visual: [3, 36, 768] →[3, 36, 512], Text: [3, 15, 768] →[3, 15, 512], Layer
1 output: Visual [3, 36, 512], Text [3, 15, 512].
Giải thích:
(1) Tính sốpatch của ảnh (không CLS): Patch size 32 × 32 nên sốpatch theo mỗi
chiều:
224
32 = 7
⇒
N = 72 = 49.
Vì vậy, sau patch embedding:
[3, 3, 224, 224] →[3, 49, 768]... | A | 0 | exam | Module_8 | EASY |
exam_AIO25M08VG03_p269 | Tính toán – CrossAttentionVG: Giai đoạn 2 (Cross Layer 1 →Output)
Cho biết (kếthừa từCâu 2, sau Cross Layer 1): | Layers 2–4: Visual [3, 49, 512], Text [3, 15, 512] (giữnguyên); Combine: [3, 64, 512];
Add [REG]: [3, 65, 512]; Extract [REG]: [3, 512]; MLP: [3, 512] →[3, 512] →[3, 256] →
[3, 4]. | Layers 2–4: Visual [3, 49, 512], Text [3, 15, 512]; Combine: [3, 64, 1024] (concat theo
feature); Add [REG]: [3, 65, 1024]; Extract: [3, 1024]; MLP: [3, 1024] →[3, 512] →
[3, 256] →[3, 4]. | Layers 2–4: Visual [3, 15, 512], Text [3, 49, 512] (swap); Combine: [3, 64, 512]; Add
[REG]: [3, 65, 512]; Extract: [3, 512]; MLP: [3, 512] →[3, 512] →[3, 256] →[3, 4]. | Layers 2–4: Visual [3, 49, 512], Text [3, 15, 512]; Combine: [3, 64, 512]; Add [REG]:
[3, 1, 512] →[3, 512] (sai kiểu thêm token); MLP: [3, 512] →[3, 512] →[3, 256] →
[3, 4].
Giải thích:
(1) Suy ra N: TừCâu 2, patch size 32 × 32:
224
32 = 7 ⇒N = 72 = 49.
Do đó ởđầu Câu 3 ta có:
Visual [3, 49, 512],
Text [3, 15, 512]. | A | 0 | exam | Module_8 | EASY |
exam_AIO25M08VG04_p272 | Tính toán – TransVG: Giai đoạn 1 (Input →Concat Sequence)
Cấu hình: | Patches=196, Visual: [5,196,768]→[5,196,256], Text: [5,30,768]→[5,30,256], [REG]:
[5,1,256], Concat: [5,227,256], Pos: 227, Final: [5,227,256] | Patches=256, Visual: [5,256,768]→[5,256,256], Text: [5,30,768]→[5,30,256], [REG]:
[5,1,256], Concat: [5,287,256], Pos: 287, Final: [5,287,256] | Patches=196, Visual: [5,196,768]→[5,196,256], Text: [5,30,768]→[5,30,256], [REG]:
[5,1,256], Concat: [5,226,256], Pos: 226, Final: [5,226,256] | Patches=196, Visual: [5,196,768]→[5,196,256], Text: [5,30,768]→[5,30,256], [REG]:
[5,1,256], Concat: [5,227,256], Pos: 228, Final: [5,227,256]
Giải thích:
(1) Tính N (sốpatches, không CLS): Patch 16 × 16 nên sốpatch theo mỗi chiều:
224
16 = 14 ⇒N = 142 = 196.
Vì vậy sau Vision Encoder (không CLS):
[5, 3, 224, 224] →[5,... | A | 0 | exam | Module_8 | EASY |
exam_AIO25M08VG05_p275 | Tính toán – TransVG: Giai đoạn 2 (Concat →Output)
TừCâu 4, sau Concat + Positional Embedding (giữký hiệu thống nhất): | Transformer: Mỗi layer [5,227,256]→[5,227,256], Final: [5,227,256], Extract [REG]
tại index 1: [5,256], MLP: [5,256]→[5,256]→[5,128]→[5,4]. | Transformer: Mỗi layer [5,227,256]→[5,227,256], Final: [5,227,256], Extract [REG]
tại index 0: [5,256], MLP: [5,256]→[5,128]→[5,64]→[5,4]. | Transformer: Giảm dimension [5,227,256]→[5,227,128]→· · · , Final: [5,227,64], Extract
[REG]: [5,64], MLP: [5,64]→[5,32]→[5,16]→[5,4]. | Transformer: Mỗi layer [5,227,256]→[5,227,256] (Giữnguyên), Final: [5,227,256],
Extract [REG] tại index 0: [5,256], MLP: [5,256]→[5,256]→[5,128]→[5,4].
Giải thích:
(1) Xác định S: TừCâu 4, thứtựsequence là [REG] + Visual + Text nên:
S = 1 + N + L = 1 + 196 + 30 = 227.
Do đó input vào Transformer là:
[B, S, H] = [5, 227... | A | 0 | exam | Module_8 | EASY |
exam_AIO25M09OD05_p319 | Xét một pipeline YOLO theo hướng anchor-based. Khác với YOLOv1 gốc, nơi mỗi cell dựđoán trực tiếp bounding box, thiết kếanchor-based sửdụng các anchor boxes có sẵn và mô hình học các offset so với anchor tương ứng. Do đó, pipeline cần thay đổi ởba bước chính: | tensor
[[19.0000, 0.0137, 0.0388, 0.0388, 0.0534, 0.0534],
[19.0000, 0.0137, 0.0389, 0.0389, 0.1071, 0.0804]]
!
. | tensor
[[19.0000, 0.0214, 0.0412, 0.0367, 0.0601, 0.0503],
[19.0000, 0.0189, 0.0405, 0.0374, 0.0986, 0.0721]]
!
. | tensor
[[19.0000, 0.0095, 0.0341, 0.0402, 0.0478, 0.0589],
[19.0000, 0.0152, 0.0427, 0.0413, 0.1124, 0.0856]]
!
. | tensor
[[19.0000, 0.0176, 0.0372, 0.0394, 0.0558, 0.0497],
[19.0000, 0.0121, 0.0369, 0.0375, 0.1035, 0.0779]]
!
.
Source Code | A | 0 | exam | Module_9 | MEDIUM |
exam_AIO25M09OT04_p341 | .
Dựa vào cấu hình của DeepSORT trong đoạn code dưới đây:
1 from deep_sort_realtime.deepsort_tracker import DeepSort
2
3 tracker = DeepSort(
4
max_age=30,
5
n_init=3,
6
max_cosine_distance=0.2
7 )
Tại thời điểm t, hệthống phát hiện một đối tượng và trích xuất được vector đặc trưng:
x = [1, 2, 0]
Trước đó, hệthống đã lư... | 0.05, Có. | 0.11, Có. | 0.25, Không. | 0.50, Không. | A | 0 | exam | Module_9 | MEDIUM |
exam_AIO25M09UNET03_p306 | Dựa trên sơ đồkiến trúc dưới đây, bạn hãy hoàn thiện các phần code còn thiếu cho block Decoder và mô hình TwoStageDecoder tại Colab Notebook.
2
1
2
3
4
? (1)
conv 1x1
up-conv 2x2
copy and crop weight.shape
= [1, 2, 1, 1]
weight.shape
= [1, 1, 2, 2]
? (2)
1x2x2x2
1x1x2x2
1x2x4x4
1x1x4x4
Đểmô hình thực hiện đúng quy tr... | (2.6744, −0.4609). | (4.5765, 3.8665). | (−0.1248, 2.8253). | (4.1406, 4.0682). | A | 0 | exam | Module_9 | MEDIUM |
exam_AIO25M09YOLO04_p356 | Cho một annotation theo định dạng Pascal VOC:
Giảsử:
Image size = 640 ×
YOLOv1 chia ảnh thành:
S = 4 × 4 grid Hãy xác định: | Cell (1, 1) ; (0, 1, 1, 0.5, 0.5, 0.25, 0.25) | Cell (1, 1) ; (0, 1, 1, 0.5, 0.5, 0.25, 0.1667) | Cell (2, 1) ; (0, 1, 1, 0.5, 0.5, 0.25, 0.25) | Cell (2, 1) ; (0, 1, 1, 0.5, 0.5, 0.25, 0.1667) | A | 0 | exam | Module_9 | MEDIUM |
exam_AIO25M10MMT03_p409 | Trong bước tính token-level cross-entropy loss cho mô hình seq2seq, ta cần reshape đầu ra dựđoán và nhãn vềdạng phù hợp đểđưa vào hàm loss. Giảsửtensor logits có kích thước (B, T, V ) và tensor labels có kích thước (B, T). Khi tính token-level cross-entropy loss, ta thường reshape hai tensor này theo công thức:
CE
logi... | 300. | 50. | 6. | V . | A | 0 | exam | Module_10 | EASY |
exam_AIO25M10MMT07_p413 | Trong giai đoạn suy luận của mô hình dịch máy, phương pháp Top-p sampling (hay nucleus sampling) chọn tập nhỏnhất các token có tổng xác suất tích luỹđạt ít nhất ngưỡng p.
Giảsửtại một bước sinh, các token đã được sắp theo thứtựxác suất giảm dần như sau:
[0.55, 0.20, 0.10, 0.08, 0.04, 0.03].
Với p = 0.75, sốtoken thuộc ... | 2. | 3. | 4. | 5. | A | 0 | exam | Module_10 | EASY |
exam_AIO25M10MT02_p394 | Biết hidden state cuối cùng của Encoder là h4 = [ −0.8989, 0.9821 ].
Tại bước giải mã đầu tiên, Decoder nhận token <sos> làm đầu vào. Sau khi đưa hidden state mới qua lớp Fully Connected và áp dụng softmax, xác suất của token được chọn là bao nhiêu? | 0. | 0. | 0. | 0. | A | 0 | exam | Module_10 | EASY |
quiz_Quiz_54_-_GPT_1_and_2_6 | Trong quá trình sinh văn bản, tham sốtemperature được áp dụng lên logits trước khi qua softmax. Khi đặt temperature rất thấp, gần tiến về0, hành vi của mô hình thay đổi như thếnào?
A. Mô hình trởnên quyết đoán hơn, thường chọn token có xác suất cao nhất, nên đầu ra ổn định hơn nhưng kém đa dạng hơn.
B. Phân phối xác su... | Mô hình có khảnăng suy luận vượt trội, dẫn đến hình thành tri thức tổng
quát. Từđó sinh ra các dữkiện luôn luôn chính xác. | Mô hình tựđộng có khảnăng truy xuất dữliệu thời gian thực từcác hệthống
bên ngoài mà không cần công cụhỗtrợ. | Mô hình tựđộng loại bỏmọi token có xác suất thấp hơn một ngưỡng cốđịnh
trước khi lấy mẫu. | Mô hình chuyển từsinh tuần tựsang sinh song song trên toàn bộchuỗi để
tăng tốc suy luận. | A | 0 | quiz | Quizzes | EASY |
quiz_quiz_51 | Hoàn thiện đoạn code RFM Base Calculation ởphần 5.0. Biết rằng cần:
• Gom nhóm theo Customer_Name.
• Tính toán các chỉsố:
– Last_Purchase_Date = ngày giao dịch gần nhất.
– Frequency = sốlần giao dịch.
– Monetary = tổng chi tiêu (Total_Cost).
• Sau đó tính Recency = sốngày từlần mua gần nhất đến ngày hiện tại.
• Cuối cù... | Recency = 16, Frequency = 774.73, Monetary = 655. | Recency = 2, Frequency = 81.75, Monetary = 1889. | Recency = 2, Frequency = 73.61, Monetary = 1103 . | Recency = 4, Frequency = 286.62, Monetary = 751. | A | 0 | vietnamese_exam | Module_3B | MEDIUM |
ex_47 | Ta có đầu vào feature map X kích thước 3 × 3 với 3 kênh. Thực hiện Depthwise Conv2D kernel 3 × 3 với bias bằng 0, stride = 1, padding = 0 (Lưu ý: không lật kernel). Vì kernel bằng đúng kích thước feature map, mỗi kênh dùng đúng 1 kernel và output mỗi kênh là 1 × 1, tức thu được Y = (Y1, Y2, Y3). 1.4 2.1 1.9 2.0 2.3 2.1... | (2, −1, 3). | (2, 1, 3). | (1, −1, 1). | (3, −2, 2). | A | 0 | exam | Module_4 | EASY |
ex_58 | Hãy xác định output shape của mô hình là bao nhiêu? Giảthiết bài toán: | (N, 29). | (N, 32). | (N, 35). | (N, 40). | A | 0 | exam | Module_4 | EASY |
qz_10_4 | Từcode của câu 9 chúng ta tiến hành áp dụng scheduler. 1 criterion = nn. Cross Entropy Loss () 2 optimizer = Adam(model. parameters (), lr=1e-3, weight_decay =5e-4) 3 decay Rate = 0.96 4 lr_scheduler = torch. optim. lr_scheduler.Exponential LR(optimizer= optimizer , gamma=decay Rate) Kết quảtest_accuracy với max_epoch ... | 86.01% | 82.93% | 83.32% | 84.92% | A | 0 | quiz | Module_14 | MEDIUM |
qz_5_1 | Từma trận dữliệu dưới đây: 3 4 5 6 2 7 8 9 7 data x Đoạn code nào sau đây lấy dữliệu cột 2 và cột 3 (Dữliệu được tô màu xanh) | 1 import
numpy as np
2 data_x = np. array ([[3 , 4, 2], [5, 6, 7], [7, 8, 9]])
3 result = data_x [:, [1, 2]] | 1 import
numpy as np
2 data_x = np. array ([[3 , 4, 2], [5, 6, 7], [7, 8, 9]])
3 result = data_x [1, [1, 2]] | 1 import
numpy as np
2 data_x = np. array ([[3 , 4, 2], [5, 6, 7], [7, 8, 9]])
3 result = data_x [[1, 2], :] | 1 import
numpy as np
2 data_x = np. array ([[3 , 4, 2], [5, 6, 7], [7, 8, 9]])
3 result = data_x [0:3 , [0, 2]] | A | 0 | quiz | Module_9 | MEDIUM |
qz_5_4 | Cho f(x, y) = x2y + 3xy2. Hãy tính các đạo hàm hỗn hợp ∂2f ∂x∂y và ∂2f ∂y∂x. | ∂2f
∂x∂y = 2x + 6y,
∂2f
∂y∂x = 2x + 6y | ∂2f
∂x∂y = 2y,
∂2f
∂y∂x = 2x | ∂2f
∂x∂y = 2x + 3y,
∂2f
∂y∂x = 2y + 3x | ∂2f
∂x∂y = 6,
∂2f
∂y∂x = 6 | A | 0 | quiz | Module_9 | MEDIUM |
qz_7_2 | Sửdụng phương pháp nội suy tuyến tính(Linear Interpolation) đểtìm các giá trị None 3.0 3.7 None 3.9 None 4.3 5.2 None Các giá trị None trong hình theo thứtựlà: | 3.8, 4.1, None | 3.8, 4.1, 5.2 | 3.85, 4.15, None | 3.8, 4.1, 6.1 | A | 0 | quiz | Module_11 | MEDIUM |
qz_8_1 | Trong ứng dụng dựbáo thời tiết, việc reshape dữliệu nhiệt độtừ(36,) thành (6, 6) có mục đích gì? | Tổchức dữliệu theo cấu trúc có ý nghĩa (ví dụ: ngày và giờ) | Tăng sốlượng dữliệu | Giảm kích thước dữliệu | Loại bỏnhiễu | A | 0 | quiz | Module_12 | MEDIUM |
exam_AIO25M05GA08_p140 | :
Cá thểmục tiêu là hình ảnh của số? | 0. | 3. | 5. | 7. | A | 0 | exam | Module_5 | MEDIUM |
exam_AIO25M05LR08_p120 | :
Mô hình ˆy = wx + b với w = 1.17, b = 0.26. Một căn hộcó diện tích x = 6.2. Hãy tính ˆy
(làm tròn kết quảđến 2 chữsốthập phân). | 7. | 7. | 7. | 7. | A | 0 | exam | Module_5 | MEDIUM |
exam_AIO25M05LR12_p122 | :
Tại một bước huấn luyện, biết x = 4.8, ˆy = 5.50, y = 5.80. Tính đạo hàm theo ∂L
∂b =
2(ˆy −y) (làm tròn kết quảđến 2 chữsốthập phân). | −0. | −0. | −0. | −1. | A | 0 | exam | Module_5 | MEDIUM |
exam_AIO25M06LGS04_p144 | Tương tự, giá trịđạo hàm trung bình theo bias b ( ∂L ∂b ) tại Epoch 1 là bao nhiêu? | 0.0. | −1.5. | 0.5. | −3.0. | A | 0 | exam | Module_6 | MEDIUM |
exam_AIO25M06LGS05_p144 | Áp dụng thuật toán Gradient Descent với η = 0.1, giá trịtham số mới (wnew, bnew) sau bước cập nhật đầu tiên là: | w = 0.1, b = 0. | w = −0.1, b = 0. | w = 0.6, b = 0.1. | −3.0.
Giải thích Tính đạo hàm theo b (∂L
∂b )
Công thức: Trung bình cộng của sai số(ˆy −y). | A | 0 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP03_p151 | Sửdụng hàm mất mát MSE, giá trịđạo hàm riêng của L theo ˆy, tức ∂L ∂ˆy , bằng bao nhiêu? | 5. | 2. | −5. | 1. | A | 0 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP04_p151 | Sau khi thực hiện một bước cập nhật tham sốcho toàn bộmạng với learning rate η = 0.10, giá trịmới của bias b3 tại output layer bằng bao nhiêu? | −0. | 0. | −0. | 0. | A | 0 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP08_p156 | Cho code Pytorch của một mô hình có một lớp Linear và hàm Softmax. Trong đó, các giá trịweight và bias được định nghĩa trước như trong hình. Hỏi sau khi truyền input x vào mạng trên, phân phối nhận được là? 1 import torch 2 import torch.nn as nn 3 import torch.nn.functional as F 4 5 class SimpleModel(nn.Module): 6 def ... | Phân phối A. | Phân phối B. | Phân phối C. | Phân phối D. | A | 0 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP11_p159 | :
Giá trịcủa hàm mất mát Cross Entropy L là bao nhiêu khi nhãn mục tiêu y = 0 và đầu ra từSoftmax là ˆy0 = 0.8429 và ˆy1 = 0.1571. | 0.1709. | 0.2305. | 0.1957. | 0.1653. | A | 0 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP14_p162 | :
Cho một mạng nơ ron có kiến trúc như hình bên dưới với các thông tin cho trước như sau: | 0.81. | 0.76. | 0.94. | 0.89. | A | 0 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP19_p170 | :
Yêu cầu: Thay đổi phương pháp khởi tạo trọng sốtừmặc định sang He Initialization.
Các bias vẫn được khởi tạo bằng 0. | [0.91, 0.92]. | [0.89, 0.90]. | [0.92, 0.94]. | [0.90, 0.91].
Giải thích: link | A | 0 | exam | Module_6 | MEDIUM |
exam_AIO25M07CNN06_p187 | :
Với dữliệu đầu vào và thông tin vềmạng được mô tảtrong hình 3, hãy tính toán đầu ra cuối cùng sau lớp Fully Connected (làm tròn đến 1 chữsốthập phân). | 5.0 | 6.0 | 7.0 | 8.0 | A | 0 | exam | Module_7 | MEDIUM |
exam_AIO25M07ICL05_p220 | :
Sau khi đã triển khai toàn bộ4 mô hình theo 3 modules và các tham sốkhai báo trong baseline, đâu là thứtựđúng khi so sánh hiệu suất của các mô hình dựa trên tập test (cao nhất →thấp nhất)? (Nếu sựchênh lệch chưa tới 5% thì được xem như tương đương)
(a) Transformer (ViT) →CNN →RNN ∼LSTM
(b) CNN →LSTM ∼Transformer →RNN... | 61.89% | 81.32% | 70.19% | 90.57%
Giải thích: Code
216 | A | 0 | exam | Module_7 | MEDIUM |
exam_AIO25M07LSTM04_p204 | :
Tiếp tục với mạng ởcâu trên. Lưu ý rằng mô hình không có bias:
Wxo =
1.0
1.0
0.5
1.0
−1.0
−0.5
,
Who =
0.0
1.0
0.0
−1.0
Đầu vào của mạng là 1 timestep:
X = [1.0, 2.0, 3.0]
Câu hỏi: Hãy tính output cuối cùng của mô hình ht.
(a) [0.3568, −0.0027]
(b) [0.2769, −0.0027]
(c) [−0.2769, 0.0027]
(d) [0.2769, 0.0027] | [0.3568, −0.0027] | [0.2769, −0.0027] | [−0.2769, 0.0027] | [0.2769, 0.0027]
LSTM04 – output cuối
Ta có (không bias):
f = σ(zf),
i = σ(zi),
˜C = tanh(zc),
o = σ(zo),
Ct = f ⊙Ct−1 + i ⊙˜C,
ht = o ⊙tanh(Ct).
Với ht−1 = [0, 0]:
zo = WxoX,
Wxo =
1.0
1.0
0.5
1.0
−1.0
−0.5
⇒zo =
1 + 2 + 0.5 · 3
1 −2 −0.5 · 3
=
4.5
−2.5
.
Tính các giá trị:
f = σ([3.5, −0.5]) ≈[0.9707, 0.37... | A | 0 | exam | Module_7 | MEDIUM |
exam_AIO25M07RNN04_p198 | :
Ta có một mạng Bidirectional RNN với input size = 3 và hidden size = 2. Trọng số của mạng được khởi tạo giống như trên hình cho cảchiều từtrái sang phải và chiều từ phải sang trái.
Với dữliệu đầu vào và thông tin chi tiết vềhình 7 dưới đây:
hb2
RNN Cell hf0
X1
hf1
RNN Cell hb3
Forward Layer Backward Layer Whh = [... | 2.9876 | 4.5762 | 1.3453 | 3.2574
194 | A | 0 | exam | Module_7 | MEDIUM |
exam_AIO25M07TRANS05_p213 | :
Với dữliệu đầu vào và thông tin chi tiết vềhình 13 dưới đây:
Attention Output Layer Norm
+
Output Input Word Embedding
+
Masked Multi-Head Attention Add & Norm Positional
Encoding
is SAMPLE Variance
1.8
1.8
1.9
2.0
1.8
1.9
1.9
1.7
2.0
1.7
1.5
1.5
1.8
0.5
2.5
2.0
0.5
1.0
Positional Embedding Hình 13: Hình ảnh minh ... | −0.06, 1.28 | −0.06, −1.16 | 0.06, 1.28 | 0.06, −1.16
209 | A | 0 | exam | Module_7 | MEDIUM |
exam_AIO25M09FACE01_p343 | Bạn mong muốn xây dựng một hệthống Face Recognition với pipeline bao gồm: Face Detection, Face Alignment, Feature Extraction, và Feature Matching như hình minh họa bên dưới.
Face
Alignment Face
Detector Face Embedding Vector
Database Feature
Matching A match!
Similarity = 0.
???
ArcFace Feature Extractor Hiện tại... | SCRFD-34GF. | SCRFD-10GF. | SCRFD-2.5GF. | SCRFD-0.5GF. | B | 1 | exam | Module_9 | EASY |
exam_AIO25M09FACE02_p344 | Bạn đang thực hiện huấn luyện mô hình SCRFD dựa vào tài liệu hướng dẫn của insightface tại Github. Bạn mong muốn xây dựng một bộdữliệu mới đểhuấn luyện mô hình.
Hãy tải tấm ảnh từGoogle Drive và thực hiện gán nhãn khuôn mặt cho ảnh đó. Trong các phương án dưới đây, đâu là cách gán nhãn đúng nhất? | # 13_Interview_Interview_2_People_Visible_13_60.jpg
324, 142, 482,
516, 232, 674, 422 . | # 13_Interview_Interview_2_People_Visible_13_60.jpg 1024
324 142 482
516 232 674 422 . | # 13_Interview_Interview_2_People_Visible_13_60.jpg 1024
516 232 482
324 142 674 422 . | # 13_Interview_Interview_2_People_Visible_13_60.jpg 1024
0.3936 0.3307 0.1543 0.2
0.5811 0.4258 0.1543 0.2474 . | B | 1 | exam | Module_9 | EASY |
exam_AIO25M09OT03_p340 | .
Dựa vào cấu hình của ByteTracker trong đoạn code dưới đây, giảsửvideo có tốc độ FPS. Hỏi thời gian tối đa mà hệthống vẫn có thểgiữID cũ cho một đối tượng khi đối tượng đó bịche khuất (occlusion) là bao lâu?
Ngoài ra, giảsửmột chiếc xe bịvật cản che khuất trong vòng 1.5 giây. Hệthống có còn giữnguyên ID cũ của chiếc x... | 1 giây, Có. | 2 giây, Có. | 3 giây, Không. | 48 giây, Không. | B | 1 | exam | Module_9 | EASY |
exam_AIO25M09UNET01_p301 | Skip Connection là cơ chếcốt lõi của kiến trúc U-Net, đóng vai trò ghép nối các đặc trưng từnhánh Encoder sang nhánh Decoder. Tuy nhiên, việc không sửdụng kỹthuật padding sẽkhiến kích thước feature map bịthu hẹp dần qua từng lớp, dẫn đến hiện tượng tensor ởnhánh Encoder luôn lớn hơn so với nhánh Decoder. Đểkhắc phục đi... | [128, 32, 32]. | [128, 28, 28]. | [128, 100, 100]. | [128, 52, 52]. | B | 1 | exam | Module_9 | EASY |
exam_AIO25M09UNET05_p309 | Trong kiến trúc U-Net, các skip connection tại khối decoder thường sửdụng phép concatenate. Tuy nhiên, một biến thểphổbiến khác là sửdụng phép add.
Add Add UNet Skip Connection Using Addition Concat Concat UNet Skip Connection Using Concatenation Giảsửsau bước up-convolution, tensor từdecoder và tensor từencoder đã đồn... | (9216, 9216). | (18432, 9216). | (18432, 18432). | (4096, 2048). | B | 1 | exam | Module_9 | EASY |
exam_AIO25M09UNET07_p312 | Trong bài toán phân vùng ảnh (image segmentation), đầu ra của mô hình thường là một bản đồxác suất (probability map). Giảsửta thực hiện chuyển đổi probability map này thành mặt nạnhịphân (binary mask) dựa trên quy tắc ngưỡng như sau:
ˆYi,j =
(
1
nếu pi,j ≥0.5,
0
nếu pi,j < 0.5.
Cho mặt nạnhãn chuẩn (ground truth mask) ... | (0.7500, 0.6000). | (0.8571, 0.7500). | (0.8750, 0.7778). | (0.9333, 0.8750). | B | 1 | exam | Module_9 | EASY |
exam_AIO25M05LR18_p127 | (Hard):
Xét dataset giá nhà gồm N = 5 mẫu ởtrên (diện tích x theo m2, giá y theo tỷVNĐ).
Giảsửmô hình hiện tại có w = 1.05 và b = 0.35.
Sửdụng Huber Loss có Regularization L2 chỉtrên w với λ = 0.1 và ngưỡng δ = 2.0:
LHuber(ˆy, y) =
1
2(ˆy −y)2,
|ˆy −y| ≤δ
δ |ˆy −y| −1
2δ2,
ngược lại
,
LHuberReg = 1
N
N
X
i=1... | (1.064653, 0.355280) | (1.164721, 0.366530) | (1.173784, 0.354912) | (1.094210, 0.352800) | B | 1 | exam | Module_5 | HARD |
exam_AIO25M05LR19_p128 | (Hard):
Vẫn dùng cùng dataset giá nhà (N = 5), và cùng tham sốban đầu w = 1.05, b = 0.
(chưa cập nhật).
So sánh hai hàm mất mát trung bình trên toàn bộtập:
LMSE = 1
N
N
X
i=1
(ˆyi −yi)2,
LHuber = 1
N
N
X
i=1
LHuber(ˆyi, yi),
trong đó LHuber dùng ngưỡng δ = 2.0 giống như ở | MSE = 3.768, Huber = 1.848 ⇒Mô hình dùng Huber ổn định hơn khi có ngoại lệ. | MSE = 2.200, Huber = 2.300 ⇒MSE ổn định hơn. | MSE = 2.200, Huber = 2.300 ⇒Huber ổn định hơn. | MSE = 3.768, Huber = 1.848 ⇒Hai mô hình chịu ảnh hưởng ngoại lệnhư nhau.
LMSE = 1
N
X
(ˆy −y)2 = 3.768, | B | 1 | exam | Module_5 | HARD |
exam_AIO25M05LR22_p132 | (Hard):
Sửdụng lại dữliệu của | (1.53, −0.18), L = 0. | (1.56, −0.18), L = 0. | (1.48, −0.22), L = 0. | (1.60, −0.12), L = 0.14
Bước 1 (cập nhật tham số):
θ′ =
w′
b′
=
1.50
−0.20
−η 1
N ∇θL =
1.50
−0.20
−0.02 · 1
5
−15.168
−4.04
=
1.560672
−0.18384
.
Bước 2 (dựđoán sau cập nhật):
ˆy′ = Xθ′ =
1.6889664
3.71784
4.498176
6.2149152
8.0877216
.
Bước 3 (MSE):
ˆy′ −y =
−0.1310336
−0.0821... | B | 1 | exam | Module_5 | HARD |
exam_AIO25M08VQA02_p287 | Trong bài toán visual question answering (VQA), xét ví dụmô hình được hỏi vềnội dung cảnh báo trên một biển hiệu. Nhãn thực tếg là “DANGER ZONE”. Do nhiễu ảnh và lỗi ngữnghĩa nên dựđoán đầu ra của mô hình ˆa là “DANGEROUS”. Hệthống đánh giá sửdụng độđo average normalized Levenshtein similarity (ANLS) đểchấm điểm. Giảsử... | 0.75. | 0.64. | 0.00. | 0.55. | B | 1 | exam | Module_8 | HARD |
exam_AIO25M05LR01_p116 | (Easy):
Theo thống kê với mean Sales = 15.1305, std Sales = 5.283892. Z-score của giá trị Sales = 20 xấp xỉlà bao nhiêu? | 0.52. | 0.92. | 1.22. | 1.52. | B | 1 | exam | Module_5 | EASY |
exam_AIO25M05LR05_p118 | (Easy):
Giảsửbộdữliệu chỉcó 1 mẫu (x1, x2, x3, y) = (0.969852, 0.981522, 1.778945, 1.322319).
Sau 1 lần cập nhật với learning rate η = 10−4, w1 mới xấp xỉbao nhiêu, biết sau cập nhật w1 = w1 −η × 2x1(ˆy −y): | 0.00006. | 0.00026. | 0.00256. | 0.02565. | B | 1 | exam | Module_5 | EASY |
exam_AIO25M05LR07_p119 | (Easy):
Giảsửcó trọng sốsau huấn luyện: w1 = 0.8905, w2 = 0.3169, w3 = −0.0053, b = 0.0066.
Với một mẫu dữliệu x = (0.969852, 0.981522, 1.778945), dựđoán ˆy = w1x1 + w2x2 +
w3x3 + b xấp xỉ: | 1.24. | 1.17. | 1.30. | 1.33. | B | 1 | exam | Module_5 | EASY |
exam_AIO25M05LR20_p130 | (Easy):
Giảsửcó một quan sát với các dữkiện:
x = 5.00,
y = 10.80,
θ =
b w
=
0.
2.
,
η = 0.02.
Hãy tính (i) dựđoán ˆy = θTx với x =
1
x
; (ii) loss L = (ˆy −y)2; (iii) gradient
∇θL = 2x(ˆy −y); (iv) tham sốsau cập nhật
θ′ = θ −η ∇θL.
Chọn cặp (b′, w′) đúng (làm tròn kết quảđến 2 chữsốthập phân). | (0.13, 2.07) | (0.16, 2.13) | (0.15, 2.10) | (0.17, 2.08) | B | 1 | exam | Module_5 | EASY |
exam_AIO25M06MLP22_p166 | .
Các thay đổi cần được áp dụng tuần tự, tức là mỗi câu sẽyêu cầu bạn cải tiến dựa trên mã nguồn của câu trước đó.
Cụthể, tệp Base.ipynb cung cấp mã nguồn hoàn chỉnh đểhuấn luyện một mạng MLP
đơn giản trên bộdữliệu FashionMNIST, bao gồm: | [0.6, 0.7]. | [0, 0.1]. | [0.4, 0.5]. | [0.2, 0.3]. | B | 1 | exam | Module_6 | EASY |
exam_AIO25M07CNN02_p181 | :
Kếthừa từkết quảtừcâu 1, hãy chọn bộmean và std tương ứng với kênh đỏ(Red) và áp dụng cho bài sau:
182 182
182 182
182 182
Red Channel Normalization Normalized Red Channel Hình 2: Minh họa ảnh Red qua Normalization.
Xét kênh đỏcủa một ảnh có kích thước 3 × 3, trong đó mọi phần tửđều có giá trịpixel bằng 182 (thang... |
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
|
1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0
|
0.7
0.7
0.7
0.7
0.7
0.7
0.7
0.7
0.7
|
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
| B | 1 | exam | Module_7 | EASY |
exam_AIO25M07CNN05_p186 | :
Với dữliệu đầu vào và thông tin vềmạng được mô tảtrong hình 3, hãy tính toán đầu ra của mạng sau lớp MaxPooling (làm tròn đến 1 chữsốthập phân). | 1.5
1.5 | 2.0
2.0 | 3.0
3.0 | 4.0
4.0 | B | 1 | exam | Module_7 | EASY |
exam_AIO25M07CNN07_p188 | :
Conv Block 1
(64x?x?)
Convolutional Block Input
(3x32x32)
MaxPool BatchNorm Conv Block BatchNorm Conv Block 2
(128x?x?)
Convolutional Block Dense Block Dense Block Output Dense Layer + Softmax (10)
Dense Layer + ReLU (?)
Flatten Dense Block Kernel size = 3x3,
stride = 1,
padding = same,
ReLU
MaxPooling
(2x2, stride... | 64 × 16 × | 64 × 8 × 8 | 64 × 4 × 4 | 128 × 8 × 8 | B | 1 | exam | Module_7 | EASY |
exam_AIO25M07LSTM03_p203 | :
Tiếp tục với mạng ởcâu trên. Lưu ý rằng mô hình không có bias:
Wxc =
1.0
0.5
−0.5
1.0
0.0
−0.5
,
Whc =
0.0
1.0
0.0
−1.0
Đầu vào của mạng là 1 timestep:
X = [1.0, 2.0, 3.0]
Câu hỏi: Hãy tính giá trịtiền kích hoạt (pre-activation) của cell gate zc (trước tanh).
(a) [2.5000, −0.5000]
(b) [0.5000, −0.5000]
(c) [−0.5000... | [2.5000, −0.5000] | [0.5000, −0.5000] | [−0.5000, −0.5000] | [1.5000, −1.5000]
LSTM03 – cell gate
Output (pre-activation) của cell gate:
zc = WxcX + Whcht−1 = WxcX.
Wxc =
1.0
0.5
−0.5
1.0
0.0
−0.5
⇒zc =
1 + 0.5 · 2 −0.5 · 3
1 −0.5 · 3
=
0.5
−0.5
.
199 | B | 1 | exam | Module_7 | EASY |
exam_AIO25M07RNN02_p195 | :
Tiếp tục với mạng RNN ởcâu RNN01, ta thêm một lớp fully connected với output size
= 1 đểthực hiện bài toán regression. Trọng sốcủa lớp fully connected Who và bho được khởi tạo như hình. Lớp fully connected là tuyến tính (không activation) cho bài toán regression.
Câu hỏi: Hãy tính toán output của mạng RNN sau khi đi ... | [0.4899] | [−0.4726] | [1] | [0.9051]
RNN02
h3 = [0.9997, −0.4726].
ˆy3 = Whoh3 + bho = [0, 1] · [h(1)
3 , h(2)
3 ] = h(2)
3
≈−0.4726.
191 | B | 1 | exam | Module_7 | EASY |
exam_AIO25M07TCL03_p222 | :
Sau khi đã hoàn thành việc triển khai và đánh giá 3 mô hình ởcác phần trước, các bạn hãy chạy tiếp notebook tại đây đểthu được kết quảđánh giá của một mô hình Transformer pretrained trên tập test sau 3 epoch là bao nhiêu?
(a) 95.84%
(b) 85.26%
(c) 80.52%
(d) 90.57% | 95.84% | 85.26% | 80.52% | 90.57%
Giải thích: Code
218 | B | 1 | exam | Module_7 | EASY |
exam_AIO25M08CONV01_p223 | Cho ảnh đầu vào kích thước 32 × 32, chia ảnh thành các patch không chồng lặp đểthu được một grid có 8×8 patch tương ứng với 8×8 token. Cấu hình Stem Conv2D đúng là:
(Kernel Size = ?, Stride = ?, Padding = ?)
Stem Conv2D | kernel 4 × 4, stride 2, padding 1. | kernel 4 × 4, stride 4, padding 0. | kernel 7 × 7, stride 2, padding 3. | kernel 3 × 3, stride 1, padding 1.
Giải thích: Muốn patchify không chồng lấp kích thước 4 × 4 thì stride phải bằng 4 và
không cần padding:
32 −4
4
+ 1 = 8 ⇒8 × 8. | B | 1 | exam | Module_8 | EASY |
exam_AIO25M09OD03_p322 | mỗi anchor tại mỗi grid cell đã được giải mã vềdạng (class_idi,j, scorei,j,b, bx, by, bw, bh). Tuy nhiên, không phải mọi bounding box dựđoán đều đủtin cậy đểđưa vào bước evaluation hay hậu xửlý. Vì vậy, ta tiếp tục thực hiện bước lọc theo ngưỡng score để chỉgiữlại các box có độtin cậy đủcao: scorei,j,b > τ trong đó τ l... | [19, 0.0182, 0.0415, 0.0369, 0.0591, 0.0507]. | [19, 0.0137, 0.0388, 0.0388, 0.0534, 0.0534]. | [19, 0.0104, 0.0352, 0.0401, 0.0486, 0.0583]. | [19, 0.0168, 0.0374, 0.0396, 0.0562, 0.0479].
Source Code | B | 1 | exam | Module_9 | MEDIUM |
exam_AIO25M09OD04_p324 | ) tập trung vào prediction,
ởcâu này ta xét phía dataset/target trong pipeline YOLO theo hướng anchor-based.
Khi mô hình dựđoán theo các anchor boxes và offset tương ứng, ground-truth annotation cũng phải được mã hóa lại thành target tensor đểphục vụtraining.
Cụthể, mỗi sample trong dataset trảvềmột cặp:
(image, label_... | (0.0030, 0.0040]. | (0.0040, 0.0050]. | (0.0050, 0.0060]. | (0.0060, 0.0070].
Source Code | B | 1 | exam | Module_9 | MEDIUM |
exam_AIO25M09UNET04_p307 | Xét encoder của kiến trúc U-Net như minh họa trong hình dưới đây. Ảnh đầu vào có kích thước 512×512×1. Kích thước các feature map của encoder và bottleneck được ghi trực tiếp trong hình.
Trong quá trình training, tất cảactivation của encoder và input phải được lưu lại để phục vụcho backpropagation và skip connections t... | 32. | 64. | 128. | 256. | B | 1 | exam | Module_9 | MEDIUM |
exam_AIO25M10MMT05_p411 | Trong huấn luyện mô hình dịch máy đa ngôn ngữ, một sốcặp ngôn ngữcó thểđược gán trọng sốkhác nhau đểtính balanced loss, nhằm điều chỉnh mức đóng góp của từng mẫu trong batch. Giảsửmột batch có B = 4 mẫu, lần lượt thuộc các cặp ngôn ngữ:
[en-vi, en-fr, en-fr, de-en].
Cho trọng sốcủa từng cặp là:
w(en-vi) = 1,
w(en-fr) =... | 2.5. | 2.75. | 2.0. | 5.5. | B | 1 | exam | Module_10 | EASY |
quiz_Quiz_13_-_LSTM_and_GRU_5 | So sánh với LSTM, kiến trúc của GRU (Gated Recurrent Unit) được đơn giản hóa như thếnào và bao gồm những thành phần chính nào sau đây? | GRU giữnguyên 3 cổng (Forget, Input, Output) nhưng loại bỏhoàn toàn trạng thái ẩn (Hidden State), chỉgiữlại Cell State. | GRU có 2 cổng chính là Reset Gate (rt) và Update Gate (zt); đồng thời gộp chung Cell State và Hidden State thành một trạng thái ẩn duy nhất (ht). | GRU thay thếInput Gate bằng Reset Gate (rt), nhưng vẫn giữnguyên Output Gate (ot) và Cell State (Ct) riêng biệt đểlưu trữthông tin dài hạn. | GRU chỉsửdụng một cổng duy nhất là Update Gate (zt) đểthực hiện cả3 chức năng (Quên, Nhập, Xuất) nhằm tối ưu hóa tốc độtính toán. | B | 1 | quiz | Quizzes | EASY |
quiz_quiz_50 | Hoàn thiện đoạn code Running Total by Customer ởphần 4.0. Biết rằng cần:
• Sửdụng Window function đểchia nhóm theo Customer_Name.
• Đối với mỗi khách hàng, sắp xếp theo Date.
• Tính toán cột mới Running_Total = tổng cộng dồn Total_Cost từgiao dịch đầu tiên đến giao dịch hiện tại (cumulative sum).
Sau khi chạy df_with_r... | 168,03. | 268,16. | 300,12. | 411,68. | B | 1 | vietnamese_exam | Module_3B | MEDIUM |
ex_51 | Skip Connection là cơ chếcốt lõi của kiến trúc U-Net, đóng vai trò ghép nối các đặc trưng từnhánh Encoder sang nhánh Decoder. Tuy nhiên, việc không sửdụng kỹthuật padding sẽkhiến kích thước feature map bịthu hẹp dần qua từng lớp, dẫn đến hiện tượng tensor ởnhánh Encoder luôn lớn hơn so với nhánh Decoder. Đểkhắc phục đi... | [128, 32, 32]. | [128, 28, 28]. | [128, 100, 100]. | [128, 52, 52]. | B | 1 | exam | Module_4 | EASY |
ex_53 | Trong kiến trúc U-Net, các skip connection tại khối decoder thường sửdụng phép concatenate. Tuy nhiên, một biến thểphổbiến khác là sửdụng phép add. Add Add UNet Skip Connection Using Addition Concat Concat UNet Skip Connection Using Concatenation Giảsửsau bước up-convolution, tensor từdecoder và tensor từencoder đã đồn... | (9216, 9216). | (18432, 9216). | (18432, 18432). | (4096, 2048). | B | 1 | exam | Module_4 | EASY |
ex_54 | Trong bài toán phân vùng ảnh (image segmentation), đầu ra của mô hình thường là một bản đồxác suất (probability map). Giảsửta thực hiện chuyển đổi probability map này thành mặt nạnhịphân (binary mask) dựa trên quy tắc ngưỡng như sau: ˆYi,j = ( 1 nếu pi,j ≥0.5, 0 nếu pi,j < 0.5. Cho mặt nạnhãn chuẩn (ground truth mask) ... | (0.7500, 0.6000). | (0.8571, 0.7500). | (0.8750, 0.7778). | (0.9333, 0.8750). | B | 1 | exam | Module_4 | EASY |
ex_57 | Hãy xác định output shape của mô hình là bao nhiêu? Giảthiết bài toán: | (N, 30). | (N, 32). | (N, 35). | (N, 40). | B | 1 | exam | Module_4 | EASY |
ex_59 | Hãy xác định output shape của mô hình là bao nhiêu? Giảthiết bài toán: | (N, 20). | (N, 26). | (N, 29). | (N, 35). | B | 1 | exam | Module_4 | EASY |
ex_61 | Bạn mong muốn xây dựng một hệthống Face Recognition với pipeline bao gồm: Face Detection, Face Alignment, Feature Extraction, và Feature Matching như hình minh họa bên dưới. Face Alignment Face Detector Face Embedding Vector Database Feature Matching A match! Similarity = 0.81 ??? Arc Face Feature Extractor Hiện tại,... | SCRFD-34GF. | SCRFD-10GF. | SCRFD-2.5GF. | SCRFD-0.5GF. | B | 1 | exam | Module_4 | EASY |
ex_62 | Bạn đang thực hiện huấn luyện mô hình SCRFD dựa vào tài liệu hướng dẫn của insightface tại Github. Bạn mong muốn xây dựng một bộdữliệu mới đểhuấn luyện mô hình. Hãy tải tấm ảnh từ Google Drive và thực hiện gán nhãn khuôn mặt cho ảnh đó. Trong các phương án dưới đây, đâu là cách gán nhãn đúng nhất? | # 13_Interview_Interview_2_People_Visible_13_60. jpg
324, 142, 482, 366
516, 232, 674, 422 . | # 13_Interview_Interview_2_People_Visible_13_60. jpg 1024 768
324 142 482 366
516 232 674 422 . | # 13_Interview_Interview_2_People_Visible_13_60. jpg 1024 640
516 232 482 366
324 142 674 422 . | # 13_Interview_Interview_2_People_Visible_13_60. jpg 1024 768
0.3936 0.3307 0.1543 0.2917
0.5811 0.4258 0.1543 0.2474 . | B | 1 | exam | Module_4 | EASY |
qz_10_5 | Trong notebook (notebook) : sau chúng ta sửdụng YOLOv10 đểdetect 3 bức ảnh tương ứng là: test_1 (khó thấy object), test_2 (đông người), test_3 (1 object là mèo). 1 # Load YOLOv10 (sẽtựdownload yolov10n. pt nếu chưa có) 2 model = YOLO("yolov10n. pt") 3 4 out_dir = Path("runs/ yolov10_demo ") 5 out_dir. mkdir(parents=Tru... | test_1: label=car, max_conf=0.73; test_2: label=person, max_conf=0.59; test_3:
label=cat, max_conf=0.99 | test_1: label=car, max_conf=0.75; test_2: label=person, max_conf=0.57; test_3:
label=cat, max_conf=0.92 | test_1: label=person, max_conf=0.75; test_2: label=car, max_conf=0.57;
test_3:
label=cat, max_conf=0.92 | test_1: label=car, max_conf=0.75; test_2: label=person, max_conf=0.52; test_3:
label=cat, max_conf=0.92 | B | 1 | quiz | Module_14 | MEDIUM |
qz_10_7 | Dựa trên pipeline ATSC trong hình, hàm loss nào được sửdụng trực tiếp trong bước huấn luyện? | (a) MSELoss | (b) Cross Entropy Loss | (c) CTCLoss | (d) KLDiv Loss | B | 1 | quiz | Module_14 | MEDIUM |
qz_10_8 | Trong đoạn code dưới đây: 1 TOP_K = 5 2 scores , samples = embeddings_dataset . get_nearest_examples ( 3 EMBEDDING_COLUMN , input_quest_embedding , k=TOP_K 4 ) Biến TOP_K còn được hiểu là? A. Sốlượng cluster. B. Sốlượng kết quảtrảvề. C. Sốepochs. D. Sốchiều trong không gian embedding. | Là 0 | Là d*d | Là d | Không xác định Trong biểu thức này, nếu D và d đã được cho trước thì phần còn lại chỉlà các phép | B | 1 | quiz | Module_14 | MEDIUM |
qz_5_3 | Kết quảcủa đoạn code sau là: 1 data = pd.Series ([5, 3, 5, 1, 3]) 2 data. rank(method=’min’) | 0: 5.0, 1: 2.0, 2: 5.0, 3: 1.0, 4: 2.0 | 0: 4.0, 1: 2.0, 2: 4.0, 3: 1.0, 4: 2.0 | 0: 3.0, 1: 2.0, 2: 3.0, 3: 1.0, 4: 2.0 | 0: 4.0, 1: 3.0, 2: 4.0, 3: 1.0, 4: 3.0 | B | 1 | quiz | Module_9 | MEDIUM |
qz_5_6 | (Hàm loss sẽthiết kếsau). Có bao nhiêu model thiết kếđúng cho hình sau? | (a) Có 1 | (b) Có 2 | (c) Có 3 | (d) Có 4 | B | 1 | quiz | Module_9 | MEDIUM |
qz_5_8 | Dựa trên hình minh hoạ ABSA ởtrên, bài toán nào nhận đầu vào là câu bình luận và aspect term, sau đó dựđoán sentiment tương ứng? | (a) ATE | (b) ATSC | (c) AOPE | (d) AOSTE | B | 1 | quiz | Module_9 | MEDIUM |
qz_7_1 | Cho hình minh họa. 0 1 2 3 4 data 5 6 7 8 0 1 2 3 4 5 6 7 8 out Đoạn code nào sau đây chuyển từma trận data thành ma trận out như hình. A 1 data [[1, 0, 2], :] B 1 data[:, [1, 0, 2]] C 1 data [[2, 1, 0], :] D 1 data[:, [2, 1, 0]] |
0
1
2
3
4
5
6
7
8
426 | [0 1 3 2] | [3 4 6 5] | Error | B | 1 | quiz | Module_11 | MEDIUM |
qz_7_4 | Cho đoạn code inference sau. Vai trò của torch. no_grad() trong đoạn code trên là gì? 1 # Compute accuracy for data X 2 with torch. no_grad (): 3 outputs = model(X) 4 predicted = torch. argmax(outputs , 1) 5 accuracy = (predicted == y). sum(). item () / y. size (0) 6 print(f’Accuracy: {accuracy * 100:.2f}%’) | Tắt chếđộtraining của model | Tắt tính toán và lưu trữgradient đểtiết kiệm bộnhớvà tăng tốc độ | Ngăn model cập nhật trọng số | Chuyển model sang chếđộevaluation | B | 1 | quiz | Module_11 | MEDIUM |
qz_7_6 | Từcode của câu 6 chúng ta tiến hành áp dụng Dropout tại các layer 2,4 và 7 với dropout_rate=0.3. Kết quảtest_accuracy với max_epoch = 20 là: 1 nn.Dropout(dropout_rate) | 82.45% | 83.02% | 83.99% | 84.13% | B | 1 | quiz | Module_11 | MEDIUM |
qz_8_6 | Theo đoạn mã ởtrên, lớp mô hình được sửdụng đểxây dựng bài toán ATE là gì? | (a) Auto Model For Masked LM | (b) Auto Model For Token Classification | (c) Auto Model For Sequence Classification | (d) Auto Model For Causal LM | B | 1 | quiz | Module_12 | MEDIUM |
qz_9_4 | Pipeline dưới đây đang sửdụng kỹthuật gì đểxửlý vấn đềmất cân bằng dữ liệu? Luồng hoạt động này là đúng hay sai? A. Oversampling - Đúng B. Oversampling - Sai C. Undersampling - Đúng D. Undersampling - Sai Lời giải Trên ảnh đang sửdụng kỹthuật oversampling vì nó đang tăng các dữliệu về mèo lên (từ3 lên 6). Luồng hoạt độ... | Oversampling - Đúng | Oversampling - Sai | Undersampling - Đúng | Undersampling - Sai | B | 1 | quiz | Module_13 | MEDIUM |
exam_AIO25M04XBG07_p112 | hãy in ra cây đầu tiên (0). Nếu một input có Experience (Year) = 4 và Position = 4, cây thứ0 này sẽtrảvềkết quảlà? Hãy tìm hiểu và sửdụng hàm .plot_tree() với tham sốbắt buộc phải có là num_trees=0. | -3589.26025. | -3555.0376. | 5899.46289. | -7516.56006. | B | 1 | exam | Module_4 | MEDIUM |
exam_AIO25M05GA01_p133 | (Medium):
Hình bên mô phỏng hàm Fitness Function là Trap. Trong trường hợp này, giá trịscore cuối cùng của Individual được cho trước bằng mấy? (#1 là sốlượng bit 1 trong cá thể) | 0. | 2. | 4. | 6. | B | 1 | exam | Module_5 | MEDIUM |
exam_AIO25M05GA03_p135 | :
Hình bên mô phỏng 3-point Crossover, cho trước 2 cá thểcha mẹvà 2 cá thểcon được tạo ra từ2 cá thểcha mẹnày. Hỏi các point trong quá trình crossover được đặt ởvịtrí index nào? (xem kỹvịtrí index trong hình)
1
0
1
0
0
1
0
1
0
0
0
0
1
0
1
1
0
1
0
1
1
1
1
0
1
1
1
0
0
1
0
1
1
0
1
0
0
0
1
1
0
1
0
0
Cá thể ba mẹ 1:
Cá thể... | 1, 4, 7. | 2, 5, 8. | 3, 6, 9. | 2, 6, 7. | B | 1 | exam | Module_5 | MEDIUM |
exam_AIO25M05LR10_p121 | :
Cho trước ˆy = 6.35 và y = 6.10. Tính L theo L = (ˆy −y)2. | 0.0 | 0.0 | 0.0 | 0.0 | B | 1 | exam | Module_5 | MEDIUM |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.