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 |
|---|---|---|---|---|---|---|---|---|---|---|
exam_AIO25M09OD01_p313 | Trong Object Detection, Region of Interest (ROI) hiểu đơn giản là các vùng ảnh có khảnăng chứa đối tượng. Vì vật thểtrong ảnh có kích thước khác nhau, các ROI này khi chiếu lên feature map cũng có độlớn hoàn toàn khác nhau. Tuy nhiên, các tầng phía sau của mô hình thường yêu cầu đầu vào có kích thước cốđịnh. Đểđáp ứng ... | X0=[0, 2), X1=[2, 4), X2=[4, 7), X3=[7, 9), X4=[9, 11), X5=[11, 13)
Mỗi bin gồm 2 phần tử, không chồng lấn. | X0=(0, 3], X1=(2, 5], X2=(4, 7], X3=(6, 9], X4=(8, 11], X5=(10, 13]
Mỗi bin gồm 2 phần tử, chồng lấn. | X0=[0, 3), X1=[2, 5), X2=[4, 7), X3=[6, 9), X4=[8, 11), X5=[10, 13)
Mỗi bin gồm 3 phần tử, chồng lấn. | X0=(0, 3], X1=(3, 5], X2=(5, 7], X3=(7, 9], X4=(9, 11], X5=(11, 13]
Mỗi bin gồm 3 phần tử, không chồng lấn. | C | 2 | exam | Module_9 | EASY |
exam_AIO25M09YOLO01_p350 | Tất cảtọa độđược chuẩn hóa theo kích thước ảnh, giá trịnào đúng? | xc = 0.375, yc = 0.3125, w = 0.3125, h = 0.2 | xc = 0.375, yc = 0.3542, w = 0.3125, h = 0.2 | xc = 0.40625, yc = 0.3542, w = 0.3125, h = 0.2 | xc = 0.40625, yc = 0.3125, w = 0.3125, h = 0.2083
Giải thích:
Ảnh gốc có kích thước:
W = 640,
H = 480
Bounding box trong COCO format:
[xmin, ymin, width, height] = [160, 120, 200, 100]
Bước 1: Tính tọa độtâm của bounding box
Trong YOLO format, cần tọa độtâm:
xcenter = xmin + width
2 | C | 2 | exam | Module_9 | EASY |
exam_AIO25M08VQA010_p298 | Trích một bảng thực nghiệm từProject Module 8 AIO2025 vềVisual Question Answering như hình bên dưới.
Flatten TD-IDF
Encoder Flatten TD-IDF
Encoder Linear Linear Flatten TD-IDF
Encoder Linear Linear Flatten TD-IDF
Encoder Linear Linear Concat Linear -> Multiply Linear -> Concat Linear -> Plus Trong đó, kiến trúc mô hình... | Do phép nối làm tăng sốchiều vector tổng hợp, khiến mô hình bịquá khớp do số
lượng tham sốbùng nổquá mức. | Do phép nhân giúp giữsốchiều dữliệu ởkích thước nhỏ, trong khi phép nối làm
tăng sốchiều và phép cộng làm mất mát thông tin của các giá trịâm. | Do phép nhân hoạt động như cơ chếchọn lọc thông tin, trong khi phép cộng và
phép nối có thểkhông có khảnăng này. | Do phép nhân có tính chất giao hoán tương tựnhư phép cộng, giúp mô hình không
bịảnh hưởng bởi tính thứtựđi kết hợp hai vector ảnh và văn bản.
Giải thích:
Phép nhân trong trường hợp này đóng vai trò như một cơ chếchọn lọc hoặc chú ý
(attention). Có thểhiểu như sau, các giá trịtrong vector này sẽcó ảnh hưởng lên các giá
... | C | 2 | exam | Module_8 | HARD |
exam_AIO25M05GA02_p134 | (Easy):
Hình bên mô phỏng Tournament Selection với kích thước giải đấu là 3 hoặc 2 và cạnh tranh bằng giá trịFitness. Trong trường hợp này, biết giá trịFitness = sốlượng bit
1 trong cá thể, hỏi cá thểnào giành chiến thắng cuối cùng?
1
0
0
0
1
1
1
1
0
0
0
0
0
1
1
0
1
1
1
1
1
0
1
1
0
Winner Winner Winner Cá thể 1:
Cá th... | Cá thể2. | Cá thể3. | Cá thể4. | Cá thể5. | C | 2 | exam | Module_5 | EASY |
exam_AIO25M05LR02_p116 | (Easy):
Với Z-score z = 1.322319 của Sales, mean Sales = 15.1305, std Sales = 5.283892. Giá trịSales theo đơn vịgốc xấp xỉlà bao nhiêu? | 20.41. | 21.50. | 22.12. | 23.45. | C | 2 | exam | Module_5 | EASY |
exam_AIO25M05LR04_p117 | (Easy):
Với cùng mẫu dữliệu (x1, x2, x3, y) = (0.969852, 0.981522, 1.778945, 1.322319), giá trị loss L = (ˆy −y)2 là: | 0.8743. | 1.3223. | 1.7485. | 2.6446. | C | 2 | exam | Module_5 | EASY |
exam_AIO25M06MLP12_p160 | :
Xét một mạng nơ-ron đơn giản với thông tin như hình bên dưới: | −0.05. | −0.08. | −0.11. | −0.14. | C | 2 | exam | Module_6 | EASY |
exam_AIO25M06MLP15_p164 | :
Trong bài tập này, bạn sẽsửdụng PyTorch cùng torch.nn.Module đểthiết kếmột mô hình đơn giản gồm 3 lớp với các tham sốđược cho trước. Mục tiêu là thực hiện phép lan truyền thuận và tính toán giá trịhàm mất mát Loss của kiến trúc mạng được minh họa trong hình bên dưới.
Lưu ý: | 0.94. | 2.11. | 1.05. | 0.80. | C | 2 | exam | Module_6 | EASY |
exam_AIO25M07LSTM01_p200 | :
Với dữliệu đầu vào và thông tin chi tiết vềhình 8 dưới đây:
Sum ht-1
Multi Sum Ct-1
Sum Sum Multi Sum Multi Whf
Xt Wxf Whi Who Wxo Wxi Whc Wxc ft it Ot Ct ht Hình 8: Mô hình LSTM áp dụng từcâu LSTM01 tới câu LSTM
Giảsửta có một mạng LSTM với input size = 3 và hidden size = 2. Cell state ban đầu:
Ct−1 = [0.0, 0.0] ... | [2.5000, −0.5000] | [4.5000, −2.5000] | [3.5000, −0.5000] | [1.5000, −1.5000]
196 | C | 2 | exam | Module_7 | EASY |
exam_AIO25M09OD11_p330 | .
Trong YOLOv1, mỗi bounding box thường gồm 5 thành phần (x, y, w, h, confidence). Tuy nhiên, trong chuỗi câu hỏi này, tuỳtheo giảthiết cụthểcủa từng bài, ta xét trường hợp mô hình có thểđược rút gọn đầu ra, tức là chỉgiữlại những thành phần thực sự cần thiết đểmô tảobject trong bối cảnh đã cho.
Gọi k là sốthành phần t... | (N, 25). | (N, 15). | (N, 35). | (N, 45).
Ta có:
S = 1,
B = 3,
C = 20
Theo mô tảbài toán, k là sốthành phần thực sựcần dựđoán cho mỗi
bounding box.
Trong câu này, object có thểxuất hiện hoặc không xuất hiện và các object có kích
thước khác nhau, nên mỗi bounding box vẫn cần giữđủ:
(x, y, w, h, confidence)
tức là:
k = 5
Vậy output shape được tính the... | C | 2 | exam | Module_9 | MEDIUM |
exam_AIO25M10MMT06_p412 | Trong giai đoạn suy luận của mô hình dịch máy, tại mỗi bước sinh, phương pháp Top-k sampling chỉgiữlại đúng k token có xác suất cao nhất và loại bỏtất cảcác token còn lại khỏi không gian lấy mẫu. Giảsửbộtừvựng có V = 50000 token và ta chọn k = 100.
Khi đó, sốtoken bịloại ởbước sinh này là bao nhiêu? | 100. | 50000. | 49900. | 50100. | C | 2 | exam | Module_10 | EASY |
exam_AIO25M10POS01_p370 | Sau lớp Fully Connected, mô hình tạo ra logits cho từng token trong câu. Tensor logits cần có kích thước bằng bao nhiêu đểphù hợp với đầu vào của hàm nn.CrossEntropyLoss trong bài toán POS Tagging? | (1, 2, 5). | (1, 5, 2). | (1, 4, 5). | (1, 5, 4). | C | 2 | exam | Module_10 | EASY |
exam_AIO25M10TC02_p365 | Input của FC layer gồm bao nhiêu node? | 4. | 5. | 6. | 7. | C | 2 | exam | Module_10 | EASY |
quiz_Quiz_53_-_LLM_Pretraining_5 | Khi triển khai xây dựng mô hình nanoGPT bằng PyTorch đểhuấn luyện trên một tập dữliệu nhỏ, hàm mục tiêu cơ bản nhất mà mô hình tính toán đểtối ưu hóa trong quá trình cập nhật trọng sốlà gì?
A. Cực đại hóa điểm sốBLEU và ROUGE giữa văn bản do mô hình sinh ra tự do và văn bản gốc trong tập dữliệu.
B. Cực tiểu hóa sai sốM... | Cực đại hóa điểm sốBLEU và ROUGE giữa văn bản do mô hình sinh ra tự
do và văn bản gốc trong tập dữliệu. | Cực tiểu hóa sai sốMean Squared Error giữa vector embedding của câu đầu
vào và câu đầu ra. | Cực tiểu hóa hàm mất mát Cross-Entropy giữa phân bốxác suất dựđoán
token tiếp theo do mô hình xuất ra và token thực tếtrong chuỗi. | Cực tiểu hóa hàm Hinge Loss nhằm phân loại chính xác văn bản đầu vào thuộc
phong cách Shakespeare hay thuộc các phong cách văn học khác. | C | 2 | quiz | Quizzes | EASY |
quiz_quiz_49 | Hoàn thiện đoạn code Customer Spending Ranking by City ởphần 4.0.
Biết rằng cần:
• Sửdụng Window function đểchia nhóm theo City.
• Đối với mỗi City, xếp hạng khách hàng theo Total_Cost giảm dần.
• Tạo cột mới rank_in_city thểhiện thứhạng chi tiêu của từng khách hàng trong thành phốđó.
Sau khi chạy df_with_rank.show(10)... | Robert Huber. | Andrea Mckinney. | Aaron Myers. | James Sheppard. | C | 2 | vietnamese_exam | Module_3B | MEDIUM |
ex_48 | Thực hiện chia patch bằng Stem Conv2D với kernel 4 × 4, stride = 4 và padding = 0 cho ảnh đầu vào có kích thước là 32 × 32. Sau Stem Conv2D, ta thu được grid token. Mask ngẫu nhiên cho 75% sốlượng token, hỏi sốlượng visible token còn lại là bao nhiêu? Sparse Conv Encoder Latent Vector Light Decoder Origin Image Random ... | 48 token. | 32 token. | 16 token. | 64 token. | C | 2 | exam | Module_4 | EASY |
ex_55 | Trong DETR, ảnh đầu vào được đưa qua backbone CNN đểtạo feature map, sau đó feature map được project vềhidden dimension, flatten thành chuỗi token không gian và đưa vào transformer encoder. Ởphía decoder, mô hình sửdụng learned object queries đểtạo ra một fixed-size set các prediction outputs. Dựa trên pipeline trong h... | [2, 256, 8, 8], [2, 100, 80], 97. | [2, 64, 256], [2, 100, 81], 61. | [2, 64, 256], [2, 100, 81], 97. | [2, 64, 2048], [2, 81, 100], 96. | C | 2 | exam | Module_4 | EASY |
ex_56 | Hãy xác định output shape của mô hình là bao nhiêu? Giảthiết bài toán: | (N, 25). | (N, 15). | (N, 35). | (N, 45). | C | 2 | exam | Module_4 | EASY |
ex_66 | Sau lớp Fully Connected, mô hình tạo ra logits cho từng token trong câu. Tensor logits cần có kích thước bằng bao nhiêu đểphù hợp với đầu vào của hàm nn.Cross Entropy Loss trong bài toán POS Tagging? | (1, 2, 5). | (1, 5, 2). | (1, 4, 5). | (1, 5, 4). | C | 2 | exam | Module_4 | EASY |
qz_10_2 | Trong bài toán Weather Forcasting sửdụng RNN có hàm create_sequences được định nghĩa như sau: 1 def create_sequences(data , lag , ahea | Đểchia dữliệu thành tập huấn luyện (Train) và tập kiểm thử(Test) theo tỉlệphần
trăm. | Đểchuẩn hóa dữliệu (Normalization) vềkhoảng [0, 1] giúp mô hình hội tụnhanh
hơn. | Đểáp dụng kỹthuật "Cửa sổtrượt"(Sliding Window), chuyển đổi chuỗi thời gian
đơn lẻthành tập dữliệu Học có giám sát (Supervised Learning) gồm các cặp Input
(X) và Label (y). | Đểtính toán giá trịtrung bình trượt (Moving Average) nhằm làm mượt dữliệu và
loại bỏnhiễu. | C | 2 | quiz | Module_14 | MEDIUM |
qz_7_7 | Cho model A = Multivariate Probit Variational Auto Encoder (MPVAE). Các tính chất quan trọng của model A trong bài toán multi-label classification là: sample sample mean mean Chọn | Không có sequential structure như NLP; thay Self-Attention bằng Label Embedding
đểgiảm chi phí; dùng K group labels và expand K groups thành N labels. | Embed cảfeature X và label Y vào latent space; latent space deterministic thiếu
smoothness/structure; nhiễu nhỏtrong latent space có thểlàm Decoder output thay
đổi lớn. | Dựa trên Probit model; mô hình hoá conditional probability của Y theo X; học | Thiết kếđểso sánh hai latent representations và đo similarity; gồm label network và | C | 2 | quiz | Module_11 | MEDIUM |
qz_8_4 | Từcode của câu 7 chúng ta tiến hành áp dụng Kernel regularization với hệsố như sau: 1 optimizer = Adam(model. parameters (), lr=1e-3, weight_decay =5e-4) Kết quảtest_accuracy với max_epoch = 20 là: | 82.77% | 83.77% | 82.75% | 83.75% | C | 2 | quiz | Module_12 | MEDIUM |
qz_9_3 | Theo đoạn mã ởtrên, lớp mô hình được sửdụng đểxây dựng bài toán ATSC là gì? | (a) Auto Model For Token Classification | (b) Auto Model For Question Answering | (c) Auto Model For Sequence Classification | (d) Auto Model For Masked LM | C | 2 | quiz | Module_13 | MEDIUM |
exam_AIO25M04XGB10_p112 | Tiếp tục sửdụng mô hình ởcâu | -3589.26025. | -3555.0376. | 5899.46289. | -7516.56006.
1 # Vẽcây đầu tiên (num_trees=0)
2 fig, ax = plt.subplots(figsize=(40, 20))
3 plot_tree(xgb_model, num_trees=0, rankdir="LR", ax=ax)
# bắt buộc phải có
num_trees=0
4 ax.set_title("XGBoost - Tree 0", fontsize=16)
5 fig.tight_layout() | C | 2 | exam | Module_4 | MEDIUM |
exam_AIO25M04XGB11_p113 | Giá trịđánh giá MSE và R2 trên tập Test cho mô hình XGBoost trên xấp xỉlà? Hãy sửdụng hàm mean_squared_error() và r2_score(). (random_state=42, n_estimators=50) | MSE = 1182725453, R2 Score = 0.3918. | MSE = 1325373291, R2 Score = 0.2904. | MSE = 1153401856, R2 Score = 0.1918. | MSE = 1153401856, R2 Score = 0.2904. | C | 2 | exam | Module_4 | MEDIUM |
exam_AIO25M05GA05_p137 | :
Cho quần thểban đầu gồm ba cá thể1,2,3, thực hiện quy trình tiến hóa như sau: | 1. | 2. | 3. | 5. | C | 2 | exam | Module_5 | MEDIUM |
exam_AIO25M05LR09_p120 | :
Mô hình ˆy = xw + b với w = −0.34, b = 0.04. Cho x = 5.0. Hãy tính ˆy (làm tròn kết quả đến 2 chữsốthập phân). | −1. | −1. | −1. | −1. | C | 2 | exam | Module_5 | MEDIUM |
exam_AIO25M06LGS02_p143 | Vẫn tại thời điểm khởi tạo, giá trịhàm mất mát trung bình trên toàn bộtập dữliệu là bao nhiêu? | 0.0. | 0.5. | 0.6931. | 1.3862. | C | 2 | exam | Module_6 | MEDIUM |
exam_AIO25M06LGS08_p147 | Dựa vào biểu đồLogistic với ngưỡng 0.5 và sốgiờhọc của 5 sinh viên, hãy cho biết có bao nhiêu sinh viên Đậu? 0.0 (Rớt) 0.5 (ngưỡng) 1.0 (Đậu) Số giờ học 0. 0. Xác suất đậu/rớt 0 1 2 3 4 5 6 Student ID Số giờ học 1 2 3 4 5 4 2 0 1 5 | 4. | 3. | 2. | 1. | C | 2 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP05_p152 | Trong cùng bước cập nhật tham sốởtrên (toàn bộtrọng sốvà bias của mạng đều được cập nhật theo gradient), ma trận trọng sốmới W1 bằng bao nhiêu? | 0.
−0.
0.
−0.
0.
0. | 0.
−0.
0.
−0.
0.
0. | −0.
−0.
−1.
0.
−0.
2. | −0.
−0.
−1.
0.
0.
2. | C | 2 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP06_p153 | Gọi ˆy(cũ) là giá trịdựđoán tại output layer trước khi cập nhật trọng số, và ˆy(mới) là giá trịsau khi cập nhật toàn bộtham sốlần 1. Độchênh lệch được định nghĩa: ∆ˆy = ˆy(mới) −ˆy(cũ). Hỏi ∆ˆy bằng bao nhiêu? | 4. | −2. | −4. | 2. | C | 2 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP09_p158 | Trong bài toán phân loại ảnh với MLP, với hình ảnh đầu vào là ảnh xám, ta cần đưa hình ảnh đang ởdạng ma trận 2 chiều vềvector 1 chiều thông qua hàm flatten() như hình minh họa bên dưới. Giảsửkích thước ảnh là 24x24 pixel thì số neuron ởlớp input của mạng MLP là? Hidden Layers 2D Matrix flatten() 1D Vector . . . Input ... | 24. | 9. | 576. | 576 × 576. | C | 2 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP18_p168 | :
Yêu cầu: Thay đổi hàm kích hoạt từSigmoid sang ReLU. | [0.93, 0.95]. | [0.88, 0.90]. | [0.90, 0.91]. | [0.92, 0.93].
Giải thích: link | C | 2 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP21_p174 | :
Yêu cầu: Bổsung Skip connection giữa đầu ra của lớp ẩn thứnhất và đầu vào của lớp ẩn cuối cùng | [0.93, 0.94]. | [0.94, 0.95]. | [0.95, 0.96]. | [0.96, 0.97].
Giải thích: link
AIO25M06MLP22:
Yêu cầu: Thay đổi hàm kích hoạt ReLU sang hàm kích hoạt nâng cao SwiGLU. | C | 2 | exam | Module_6 | MEDIUM |
exam_AIO25M07RNN01_p193 | :
Với dữliệu đầu vào và thông tin chi tiết vềhình 5 dưới đây:
X3
h3
Wxh = [1.0, 0.0, -0.5], [-1.0, 0.0, 0.5]
bxh = 1.0
bho = 0.0
y3
^
RNN Cell h0
X1
h1
RNN Cell X2
h2
Whh = [0.0, -1.0]
bhh = 1.0
Whh = [0.0, -1.0]
bhh = 1.0
Wxh = [1.0, 0.0, -0.5], [-1.0, 0.0, 0.5]
bxh = 1.0
Wxh = [1.0, 0.0, -0.5], [-1.0, 0.0, 0.5... | [0.9866, 0.9051], [0.0946, 0.9702], [−0.8996, 0.9983] | [0.9866, 0.9051], [0.0946, 0.9702], [0.9114, 0.4899] | [0.9051, 0.9866], [0.9650, 0.0134], [0.9997, −0.4726] | [−0.4621, 0.9998], [2.4676 × 10−4, 0.9640], [0.9114, 0.4899]
189 | C | 2 | exam | Module_7 | MEDIUM |
exam_AIO25M07TRANS04_p211 | :
Với dữliệu đầu vào và thông tin chi tiết vềhình 12 dưới đây:
0
0
0
0
0
0
Mask
1.8
1.8
1.9
2.0
1.8
1.9
1.9
1.7
2.0
1.7
1.8
1.4
1.4
1.9
2.0
2.3
Value Matrix
14.4
12.5
13.7
19.8
21.2
Hình 12: Hình ảnh minh hoạmô hình Transformer cho câu TRANS
Câu hỏi: Tính các giá trịthiếu (các giá trị"?") trong hình lần lượt ("?1",... | 1.8, 1.8 | 2.0, 2.4 | 1.7, 1.9 | 1.8, 2.4
207 | C | 2 | exam | Module_7 | MEDIUM |
exam_AIO25M08CONV03_p225 | Cho vector đầu vào y =
y1
y2
y3
⊤là kết quảY của câu trước đó. Thực hiện khối Inverted Bottleneck đã được giản lược chỉbao gồm (1 × 1 expand) và (1 × 1 project) với tỉlệmởrộng 2× (tức C →2C →C) và C = 3 theo các bước:
Pointwise Convolution C
2C
Pointwise Convolution C
Bước mởrộng sốkênh từC lên 2C = 6 được thực hiện b... | 2.
−1.
3.
. | 3.
0.
3.
. | 4.
3.
4.
. | 5.
4.
6.
. | C | 2 | exam | Module_8 | MEDIUM |
exam_AIO25M10POS02_p368 | .
Mục tiêu của bài toán là thực hiện phân loại từloại Part-of-Speech gồm 4 lớp: lớp 0 đại diện cho noun/pronoun, lớp 1 đại diện cho verb, lớp 2 đại diện cho các từloại khác và lớp 3 đại diện cho padding.
Đểphục vụcho quá trình suy luận, đềbài cung cấp ba nhóm thông tin: bảng ánh xạ token và embedding, các tham sốcủa lớ... | (1, 2, 5). | (1, 5, 2). | (1, 4, 5). | (1, 5, 4).
Trong bài toán POS tagging, mô hình cần dựđoán nhãn cho từng vịtrí trong chuỗi.
Sau lớp Embedding, tensor có kích thước (batch, seq_len, embed_dim), và sau lớp
Fully-Connected ta thu được logits cho mỗi token với kích thước:
(1, 5, 4)
trong đó: | C | 2 | exam | Module_10 | MEDIUM |
quiz_Quiz_01_-_Numpy_and_Vector_6 | Từma trận dữliệu dưới đây: | 1 data_x = np.array ([[1 , 2, 7],
2
[3, 4, 2],
3
[5, 9, 8]])
4 result = data_x [[1, 1, 2], [2, 1, 2]]
5 print(result) | 1 data_x = np.array ([[1 , 2, 7],
2
[3, 4, 2],
3
[5, 9, 8]])
4 result = data_x [[2, 1, 2], [2, 1, 2]]
5 print(result) | 1 data_x = np.array ([[1 , 2, 7],
2
[3, 4, 2],
3
[5, 9, 8]])
4 result = data_x [[0, 1, 2], [2, 1, 2]]
5 print(result) | 1 data_x = np.array ([[1 , 2, 7],
2
[3, 4, 2],
3
[5, 9, 8]])
4 result = data_x [[0, 2, 2], [2, 1, 2]]
5 print(result)
Câu 7: Kết quảcủa đoạn code sau là gì? | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_03_-_Pandas_in_Python_6 | Kết quảcủa đoạn code sau là | [3 4 5 6] | [0 1 3 2] | [3 4 6 5] | Error Câu 7: 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]]
Câu 8: Cho hình minh họa.
0
1
2
3
4
data
5
6
7
8
out
6
7
8
3
4
5
0
1
2
Đoạn c... | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_03_-_Pandas_in_Python_8 | Cho hình minh họa.
0
1
2
3
4
data
5
6
7
8
out
6
7
8
3
4
5
0
1
2
Đoạn code nào sau đây chuyển từma trận data thành ma trận out như hình. |
0
1
2
3
4
5
6
7
8
| [0 1 3 2] | [3 4 6 5] | Error Câu 7: 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]]
Câu 8: Cho hình minh họa.
0
1
2
3
4
data
5
6
7
8
out
6
7
8
3
4
5
0
1
2
Đoạn c... | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_04_-_Logistic_Regression_1_3 | Kết quảcủa đoạn code sau là: | 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
Câu 6 Trong phép nội suy tuyến tính (linear interpolation), công thức nào sau đây đúng?
A. y = αv1 + (1 −α)v2 với α =
x2−x x2−x1 | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_05_-_Logistic_Regression_2_5 | Cho mini-batch với m = 2 samples:
X =
1
1.5
0.2
1
4.1
1.3
,
y =
0
1
,
θ =
0.1
0.5
−0.1
| ∇θL = XT(ˆy −y), kết quảxấp xỉ
0.579 0.564 −0.
T | ∇θL = 1
mXT(ˆy −y), kết quảxấp xỉ
0.290 0.282 −0.
T | ∇θL = X(ˆy −y), kết quảxấp xỉ
0.696 −0.
T | ∇θL = (ˆy−y)XT, kết quảxấp xỉ
0.
0.
−0.013 −0.
−0.
−0.
T
Công thức đúng cho gradient trong logistic regression là ∇θL = 1
mXT(ˆy −y).
Với dữliệu đã cho:
Tính z = Xθ =
0.83 2.
T
Tính ˆy = σ(z) ≈
0.696 0.
T
Tính ˆy −y ≈
0.696 −0.
T
Tính XT(ˆy −y) ≈
0.579 0.564 −0.
T
Nhân với 1
2 ta được kết quảcuối cùng ≈
0.290 0.... | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_05_-_Logistic_Regression_2_6 | So sánh gradient của MSE và BCE trong Logistic Regression:
MSE:
∂LMSE
∂θi
= 2xi(ˆy −y)ˆy(1 −ˆy) | ∂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
Câu 6: So sánh gradient của MSE và BCE trong Logistic Regression:
MSE:
∂LMSE
∂θi | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_06_-_Softmax_Regression_3 | Trong một bài toán phân loại có 5 lớp được gán nhãn từ0 đến 4, nhãn của lớp thứba (y=2) sẽđược biểu diễn như thếnào bằng phương pháp mã hóa one-hot? | [0, 0, 1, 0, 0]T | [0, 1, 0, 0, 0]T | Một giá trịvô hướng là 2. | [0, 0, 1]T | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_10_-_SGD_and_Momentum_4 | Gọi trạng thái của điểm M0 sau T bước cập nhật (theo SGD
+ Momentum) là xMom T
, vMom T
. Từtrạng thái này, ta đổi optimizer và cập nhật thêm
1 bước bằng Nesterov (NAG) với cùng η, β như trong | (a) xNAG
T+1 ≈2. | (b) xNAG
T+1 ≈3. | (c) xNAG
T+1 ≈2. | (d) xNAG
T+1 ≈1.
AI VIET NAM (AIO2025)
aivietnam.edu.vn
Lời giải Câu 5.
TừCâu 4 ta đã có trạng thái sau T = 3 bước Momentum:
xT = xMom
3 | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_12_-_RNNs_3 | Sửdụng tokenizer của câu 2 tiến hành vectorization hai câu "Deep learning is fun" và "AI is fun" bằng code dưới đây sẽlần lượt cho kết quảnào?
1 sequence_length = 4
2
3 pad_id = tokenizer.token_to_id("<pad >")
4 tokenizer. enable_padding(pad_id=pad_id , pad_token="<pad >", length=
sequence_length)
5 tokenizer. enable_t... | vec1 = [5,6,2,3] và vec2 = [4,2,3,1] | vec1 = [4,5,3,2] và vec2 = [6,3,2,1] | vec1 = [5,6,3,2] và vec2 = [4,3,2,1] | vec1 = [2,3,5,6] và vec2 = [4,3,2,0] | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_13_-_LSTM_and_GRU_2 | Cho khối Forget Gate của LSTM như hình dưới đây.
Multi Sum Input X
Các tham số: | ft ≈[0.81, 0.42]T;
ˆct ≈[1.22, −0.34]T | ft ≈[0.30, 0.69]T;
ˆct ≈[0.45, −0.55]T | ft ≈[0.69, 0.30]T;
ˆct ≈[1.03, −0.24]T | ft ≈[0.57, 0.17]T;
ˆct ≈[0.86, −0.14]T | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_13_-_LSTM_and_GRU_3 | :
zf = Wxfxt + Whfht−1 + bf,
ft = σ(zf),
ˆct = ft ⊙ct−1
(với σ(·) là hàm sigmoid, ⊙là phép nhân theo từng phần tử). | ft ≈[0.81, 0.42]T;
ˆct ≈[1.22, −0.34]T | ft ≈[0.30, 0.69]T;
ˆct ≈[0.45, −0.55]T | ft ≈[0.69, 0.30]T;
ˆct ≈[1.03, −0.24]T | ft ≈[0.57, 0.17]T;
ˆct ≈[0.86, −0.14]T | C | 2 | quiz | Quizzes | MEDIUM |
quiz_Quiz_14_-_CNNs_Model_Generation_6 | ,
(không dùng bias).
(1) Update gate Wizxt =
0.2
−0.3
0.4
−0.1
0.2
0.1
1
−1
0.5
=
0.
−0.
,
Whzht−1 =
0.3
0.1
−0.2
0.4
0.2
−0.1
=
0.
−0.
.
z(pre)
t
= Wizxt+Whzht−1 =
0.
−0.
+
0.
−0.
=
0.
−0.
⇒zt = σ(z(pre)
t
) ≈
0.
0.
.
(2) Hidden state mới ht = zt⊙˜ht+(1−zt)⊙ht−1 ≈
0.
0.
⊙
0.
−0.
+
1 −0.
1 −0.... | 65, | 68, | 62, | :
2
X, y = [], []
3
for i in range(len(dat | C | 2 | quiz | Quizzes | MEDIUM |
exam_AIO25M09OT02_p338 | .
Hệthống đang theo dõi một vật thểtrong video. Bên dưới là histogram của mô hình mục tiêu (Target Model q) và vùng ảnh ứng viên hiện tại (Candidate p). Histogram được chia thành 4 bin chính như sau:
Dựa vào công thức tính hệsốBhattacharyya:
BC(p, q) =
m X
i=1
√piqi trong đó m là sốbin của histogram. Hãy tính hệsốtương... | BC(p, q) ≈1.00, không tiếp tục theo dõi. | BC(p, q) ≈0.88, tiếp tục theo dõi. | BC(p, q) ≈0.96, không tiếp tục theo dõi. | BC(p, q) ≈1.00, tiếp tục theo dõi. | D | 3 | exam | Module_9 | EASY |
exam_AIO25M07ICL01_p215 | :
Thực hiện triển khai mô hình CNN bằng Pytorch theo module (1) trong hình, với các tham sốmặc định padding=1, kernel_size=3, stride=1. Shape của lớp flatten bằng bao nhiêu?
(a) 128 × 8
(b) 128 × 8 × 8
(c) 128 ×
(d) 128 × 16 × | 128 × 8 | 128 × 8 × 8 | 128 × 16 | 128 × 16 × 16
Giải thích:
Đầu vào ảnh CIFAR-10 có kích thước:
(3, 32, 32).
Theo module (1), ta có 3 lớp Conv2d liên tiếp, mỗi lớp dùng:
k = 3, s = 1, p = 1 (same padding) ⇒H, W giữnguyên.
Conv1: (3, 32, 32) →(32, 32, 32)
Conv2: (32, 32, 32) →(64, 32, 32)
Conv3: (64, 32, 32) →(128, 32, 32)
211 | D | 3 | exam | Module_7 | EASY |
exam_AIO25M07ICL02_p217 | :
Thực hiện triển khai mô hình RNN bằng Pytorch với các tham sốđược mô tảởmodule
(2) trong hình (lưu ý batch_first=True, num_layers=1). Shape của input X khi đưa vào mô hình RNN là bao nhiêu?
(a) (64, 32, 32 * 128)
(b) (64, 128, 32 * 3)
(c) (64 * 32, 32, 128)
(d) (64, 32, 32 * 3) | (64, 32, 32 * 128) | (64, 128, 32 * 3) | (64 * 32, 32, 128) | (64, 32, 32 * 3)
Giải thích:
Ảnh đầu vào có shape:
(B, 3, 32, 32),
trong đó theo
Đểđưa vào RNN với batch_first=True, ta cần input dạng:
(B, seq_len, input_size).
Trong module (2), ta thường xem ảnh như một chuỗi theo chiều cao:
seq_len = 32 (mỗi timestep là 1 hàng).
Mỗi timestep chứa toàn bộthông tin theo chiều rộng v... | D | 3 | exam | Module_7 | EASY |
exam_AIO25M07LSTM02_p202 | :
Tiếp tục với mạng ởcâu trên. Lưu ý rằng mô hình không có bias:
Wxi =
−1.0
0.5
0.5
−1.0
0.0
−0.5
,
Whi =
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 input gate zi (trước sigmoid).
(a) [2.5000, −0.5000]
(b) [0.5000, −2.5000]
(c) [−0... | [2.5000, −0.5000] | [0.5000, −2.5000] | [−0.5000, −0.5000] | [1.5000, −2.5000]
LSTM02 – input gate
Output (pre-activation) của input gate:
zi = WxiX + Whiht−1 = WxiX.
Wxi =
−1.0
0.5
0.5
−1.0
0.0
−0.5
⇒zi =
−1 + 0.5 · 2 + 0.5 · 3
−1 −0.5 · 3
=
1.5
−2.5
.
198 | D | 3 | exam | Module_7 | EASY |
exam_AIO25M09FACE04_p348 | Bộdữliệu hiện tại gồm 2 ảnh trong cơ sởdữliệu. Ta đưa 1 ảnh truy vấn và 2 ảnh trong cơ sởdữliệu vào mô hình Feature Extractor đểthu được các vector đặc trưng (embedding)
như minh họa phía dưới Query Image Feature Extractor Database
Image #1
Database
Image #2
0.34 0.22 0.90 0.11 0.
0.99 0.12 0.32 0.12 0.
0.45 0.30 0.... | cos(Query, Image#1) ≈0.376, cos(Query, Image#2) ≈0.837. Mô hình hoạt động
tốt. | cos(Query, Image#1) ≈0.376, cos(Query, Image#2) ≈0.837. Mô hình hoạt động
chưa tốt. | cos(Query, Image#1) ≈0.645, cos(Query, Image#2) ≈0.959. Mô hình hoạt động
tốt. | cos(Query, Image#1) ≈0.645, cos(Query, Image#2) ≈0.959. Mô hình hoạt động
chưa tốt.
Giải thích: Ta sửdụng công thức cosine similarity:
cos(a, b) =
a · b
∥a∥∥b∥ | D | 3 | exam | Module_9 | MEDIUM |
exam_AIO25M10MMT01_p407 | Trong bài toán huấn luyện mô hình dịch máy đa ngôn ngữ, giảsửDataLoader sửdụng automatic batching và collate_fn được gọi với một danh sách gồm B = 16 mẫu. Giả sửmô hình sửdụng định dạng batch_first=True. Mỗi mẫu sau khi xửlý đều có độ dài MAX_LEN = 64, và collate_fn gom các mẫu này thành batch tensor đểđưa vào mô hình.... | (64, 16), (64, 16), (64, 16). | (16, 64, 1), (16, 64, 1), (16, 64, 1). | (16, 1, 64), (16, 1, 64), (16, 1, 64). | (16, 64), (16, 64), (16, 64). | D | 3 | exam | Module_10 | EASY |
exam_AIO25M10MMT04_p410 | Trong bước tính loss của mô hình dịch máy, chỉcác token hợp lệtrong câu đích mới được đưa vào tính toán, còn các vịtrí padding thường bịbỏqua bằng cách gán -100.
Giảsửtrong một batch có B = 5 câu đích, mỗi câu có độdài sau padding là T = 120,
và trung bình mỗi câu có đúng Lvalid = 90 token hợp lệ(không bịgán -100). Hỏi... | 120. | 600. | 90. | 450. | D | 3 | exam | Module_10 | EASY |
exam_AIO25M10MMT08_p414 | Trong giai đoạn suy luận của mô hình dịch máy, đôi khi ta kết hợp cảTop-k sampling và Top-p sampling đểgiới hạn không gian lấy mẫu. Giảsửtại một bước sinh, bộtừvựng có V = 20000 token, và ta cấu hình top_k = 40, top_p = 0.92. Gọi Np là sốtoken thuộc nucleus nếu chỉáp dụng top-p, và giảsửtrong trường hợp này Np = 25. Kh... | 40. | 92. | 20000. | 25. | D | 3 | exam | Module_10 | EASY |
quiz_quiz_52 | Hoàn thiện đoạn code RFM Scoring ởphần 5.0. Biết rằng: R_Score được chấm theo Recency (càng mới càng điểm cao):
• ≤30 ngày →5 điểm
• ≤60 ngày →4 điểm
• ≤90 ngày →3 điểm
• ≤180 ngày →2 điểm
• > 180 ngày →1 điểm F_Score được chấm theo Frequency (càng mua nhiều càng điểm cao):
• ≥20 lần →5 điểm
• ≥10 lần →4 điểm
• ≥5 lần ... | 101. | 111. | 121. | 131. | D | 3 | vietnamese_exam | Module_3B | MEDIUM |
qz_10_3 | Sửdụng bài code ởcâu 9 tiến hành train (vẫn sửdụng GRU). Kết quả test_accuracy với max_epoch = 20 là: | 83.32% | 85.32% | 82.2% | 80.02% | D | 3 | quiz | Module_14 | MEDIUM |
qz_5_2 | Cho hình minh họa. 0 1 2 3 4 1 8 3 9 7 data = 5 6 False True False True True False 8 9 7 out = Đoạn code nào sau đấy tạo ra dữliệu out từdata như hình. A 1 data[data < 7] B 1 data[data < 6] C 1 data[data >= 6] D 1 data[data >= 7] | [3 4 5 6] | [0 1 3 2] | [3 4 6 5] | Error | D | 3 | quiz | Module_9 | MEDIUM |
qz_5_5 | Từcode của câu 4 chúng ta tiến hành thêm nhiễu bằng đoạn code: 1 transforms.Random Erasing(p=0.75 , 2 scale =(0.01 , 0.3) , 3 ratio =(1.0 , 1.0) , 4 value=0, 5 inplace =True) Kết quảtest_accuracy với max_epoch = 20 là: | 77.58% | 75.48% | 74.59% | 79.62% | D | 3 | quiz | Module_9 | MEDIUM |
qz_8_7 | Xem đoạn chương trình dưới đây. Hỏi phần nào cần chỉnh lại code? P1 P2 P3 | Lỗi ởphần P1 | Lỗi ởphần P2 | Lỗi ởphần P3 | Chương trình không có lỗi | D | 3 | quiz | Module_12 | MEDIUM |
exam_AIO25M04ABGBXGB01_p114 | (Cho cả3 phần) Hãy xem đây như là một bài toán thực nghiệm, thay thếtừmô hình Random Forest, XGBoost, AdaBoost, Gradient Boost vào dữliệu trên. Sau đó đánh giá bộdữliệu trên tập test và đưa ra mô hình tốt nhất được chọn tối ưu cho bộdữliệu này. (Thực hiện với các siêu tham sốchung: n_estimators = 50, random_state=42) | Random Forest. | XGBoost. | AdaBoost. | Gradient Boost. | D | 3 | exam | Module_4 | MEDIUM |
exam_AIO25M05GA04_p136 | :
Hình bên mô phỏng Bit-flip Mutation, trong đó thực hiện đột biến tại các vịtrí bit trên các cá thể1,2,3,4 tương ứng với vịtrí có giá trịlà 1 trên vector Mask. Biết khi bịđột biến, giá trịtại bit đó: nếu là 1 thì thành 0 và ngược lại. Hỏi sau khi đột biến, với biểu đồcủa hàm fitness như hình vẽ(#1 là sốlượng bit 1 tro... | 0. | 1. | 2. | 3. | D | 3 | exam | Module_5 | MEDIUM |
exam_AIO25M05GA06_p139 | :
Cá thểmục tiêu có kích thước bao nhiêu? | 487. | 874. | 847. | 784. | D | 3 | exam | Module_5 | MEDIUM |
exam_AIO25M05GA07_p140 | :
Chọn câu trảlời chính xác nhất, các giá trịbên trong của một cá thể(đã được chuẩn hóa) thuộc? | {0, 1}. | [0, 255]. | Sốnguyên. | Sốthực. | D | 3 | exam | Module_5 | MEDIUM |
exam_AIO25M05LR11_p121 | :
Cho trước ˆy = 7.08 và y = 6.90. Tính L(ˆy, y) = |ˆy −y| (làm tròn kết quảđến 2 chữsố thập phân). | 0. | 0. | 0. | 0. | D | 3 | exam | Module_5 | MEDIUM |
exam_AIO25M05LR14_p124 | :
Tính MAE = 1
N
PN
i=1
ˆy(i)−y(i) trên 4 tháng (làm tròn kết quảđến 2 chữsốthập phân). | 7. | 8. | 8. | 7. | D | 3 | exam | Module_5 | MEDIUM |
exam_AIO25M06MLP07_p155 | Hình bên dưới là một phần forward của một mạng MLP. Trong đó, đầu vào x1, x2 được truyền vào hidden layer với các giá trịweights khác nhau, trong khi các giá trịbias đều bằng 1 (xem hình vẽ). Sau khi tính được h11 và h12, các giá trị được tuyền qua hàm ReLU và nhận được kết quảđầu ra tương ứng. Hỏi ?1 và ?2 có giá trịb... | ?1 = 0
?2 = 3. | ?1 = 0
?2 = 0. | ?1 = 3
?2 = 3. | ?1 = 3
?2 = 0. | D | 3 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP17_p167 | :
Yêu cầu: Thay đổi thuật toán tối ưu hóa từSGD sang Adam. | [0.70, 0.75]. | [0.50, 0.55]. | [0.60, 0.65]. | [0.85, 0.90]. | D | 3 | exam | Module_6 | MEDIUM |
exam_AIO25M06MLP20_p172 | :
Yêu cầu: Áp dụng Batch Normalization 1D vào liền sau mỗi lớp Linear trong mô hình. | [0.92, 0.93]. | [0.93, 0.94]. | [0.94, 0.95]. | [0.95, 0.96].
Giải thích: link | D | 3 | exam | Module_6 | MEDIUM |
exam_AIO25M07RNN03_p196 | :
Giảsửta muốn dùng mạng RNN ởcâu RNN01 đểthực hiện bài toán sequence labeling cho từng timestep. Coi mỗi timestep t tương ứng với một từ(một embedding) xt trong câu.
Tại mỗi timestep t, ta thêm một lớp Fully Connected với output size = 2 đểtạo logits:
st = Whoht + bho,
st ∈R2,
sau đó áp dụng Softmax đểthu được xác suấ... | 1, 0, 1 | 1, 1, 0 | 0, 0, 1 | 0, 1, 1
192 | D | 3 | exam | Module_7 | MEDIUM |
exam_AIO25M07TCL02_p222 | :
Sau khi đã triển khai toàn bộ3 mô hình các tham sốkhai báo trong baseline, đâu là thứ tựđúng khi so sánh hiệu suất của các mô hình dựa trên tập test (cao nhất →thấp nhất)
tại epoch cuối cùng?
(Nếu sựchênh lệch chưa tới 3% thì được xem như tương đương)
(a) Transformer →RNN ∼LSTM
(b) LSTM ∼RNN →Transformer
(c) Transfor... | 95.84% | 85.26% | 80.52% | 90.57%
Giải thích: Code
218 | D | 3 | exam | Module_7 | MEDIUM |
exam_AIO25M08VQA06_p294 | Cho mô hình visual question answering (VQA) chuyên dựđoán cho câu hỏi Yes/No, được thiết kếnhư hình bên dưới.
Are there 5 elephants?
Resize to
64 x
Pre-processing
224 x
Flatten TF-IDF Encoder Concatenation Feature Linear(?, 2)
Yes Vocabulary size =
Image Question Answer Trong đó, hình ảnh RGB đầu vào có kích thước 2... | 4,096. | 4,196. | 409,600. | 12,388. | D | 3 | exam | Module_8 | MEDIUM |
exam_AIO25M08VQA08_p296 | Kiến trúc mô hình visual question answering (VQA) hiện đại thường sửdụng mô hình Vision Transformer (ViT) đểtrích xuất đặc trưng hình ảnh thông qua token đặc biệt
[CLS] (hay [class] token) như hình bên dưới. Token này được thêm vào chuỗi đầu vào để tổng hợp thông tin trên toàn cục. Với kích thước ảnh gốc là 224 × 224 v... | 7. | 32. | 50. | 49. | D | 3 | exam | Module_8 | MEDIUM |
exam_AIO25M10TGEN03_p386 | Trong bài báo Improving Language Understanding by Generative Pre-Training, mô hình GPT-1 được xây dựng trên kiến trúc Transformer Decoder. Kiến trúc này có tổchức các khối xửlý tương tựnhư Encoder, nhưng thay thếself-attention bằng masked-attention.
Trong bài tập này, bạn được cung cấp một Colab Notebook có sẵn code tr... | 0.5 | 0.4 | 0.3 | 0.3 | D | 3 | exam | Module_10 | MEDIUM |
quiz_Quiz_04_-_Logistic_Regression_1_2 | Kết quảcủa đoạn code sau là:
1 s1 = pd.Series ([1, 2, 3], index =[’a’, ’b’, ’c’])
2 s2 = pd.Series ([4, 5, 6], index =[’b’, ’c’, ’d’])
3 s3 = s1.add(s2 , fill_value =0)
4 print(s3) | a: NaN, b: 6, c: 8, d: 6 | a: 1, b: 7, c: 9, d: 6 | a: 1, b: 6, c: 8, d: NaN | a: 1, b: 6, c: 8, d: 6 | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_04_-_Logistic_Regression_1_6 | Trong phép nội suy tuyến tính (linear interpolation), công thức nào sau đây đúng?
A. y = αv1 + (1 −α)v2 với α =
x2−x x2−x1 | 3.8, 4.1, None | 3.8, 4.1, 5.2 | 3.85, 4.15, None | 3.8, 4.1, 6.1
Các giá trịNone ởgiữa được nội suy tuyến tính: (3.7 + 3.9)/2 = 3.8 và (3.9 +
4.3)/2 = 4.1. Giá trịNone cuối không thểnội suy vì không có điểm phía sau.
Câu 8 Đoạn code sau sẽin ra kết quảnào?
1 import pandas as pd
2 temps = pd.Series ([22.5 , None , 24.0 , None , 26.5])
3 filled = temps.fillna(temps.mean... | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_07_-_PyTorch_4 | Cho dữliệu đầu vào và model như sau: | Có giống nhau, cảhai đều cập nhật trọng sốcủa model một lần và cho kết quảcuối cùng giống hệt nhau. | Không giống nhau, Code 1 cập nhật trọng số2 lần (mỗi sample một lần), Code 2
chỉcập nhật 1 lần với gradient trung bình của cảbatch. | Không giống nhau, Code 2 tính loss nhanh hơn nên cho kết quảtốt hơn. | Có giống nhau, vì cùng chung model.
Câu 5: Đoạn code PyTorch nào sau đây biểu diễn đúng model trong hình? | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_12_-_RNNs_2 | , kết quảsau khi qua embedding là: | out1 = [[0.4058,-0.6624],[0.5582,0.0786],[0.2293,1.3255],[1.0281,-1.9094]]
out2 = [[0.2293,1.3255],[1.0281,-1.9094],[-1.3083,-0.0987],[1.7840,-0.8278]] | out1 = [[-0.1882,0.5530],[1.7840,-0.8278],[1.0281,-1.9094],[-1.3083,-0.0987]]
out2 = [[0.2293,1.3255],[-0.1882,0.5530],[1.7840,-0.8278],[1.0281,-1.9094]] | out1 = [[0.5582,0.0786],[0.4058,-0.6624],[-1.3083,-0.0987],[1.0281,-1.9094]]
out2 = [[0.2293,1.3255],[-1.3083,-0.0987],[1.7840,-0.8278],[1.0281,-1.9094]] | out1 = [[0.4058,-0.6624],[0.5582,0.0786],[-1.3083,-0.0987],[1.0281,-1.9094]]
out2 = [[0.2293,1.3255],[-1.3083,-0.0987],[1.0281,-1.9094],[1.7840,-0.8278]] | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_12_-_RNNs_5 | Cho mạng RNN như hình dưới đây RNN Cell RNN Cell Các tham sốtrọng số:
• Ma trận trọng sốđầu vào Wxh (kích thước 2 × 3):
Wxh =
0.5
−0.5
0.0
0.2
0.0
0.5
• Ma trận trọng sốẩn Whh (kích thước 2 × 2):
Whh =
0.8
0.1
−0.2
0.5 | h2 ≈[0.26, 0.53]T | h2 ≈[−0.46, 0.46]T | h2 ≈[0.15, 0.60]T | h2 ≈[0.35, 0.12]T | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_14_-_CNNs_Model_Generation_1 | Trong bài toán phân loại biển báo giao thông (Traffic Sign Recognition), áp dụng kỹthuật Horizontal Flip (Lật ngang) đểtăng cường dữliệu (Data Augmentation) cho toàn bộtập dữliệu huấn luyện. Điều gì sẽxảy ra?
1 flipped_img = cv2.flip(img , 1) | Mô hình sẽhọc tốt hơn do dữliệu đa dạng hơn. | Mô hình sẽhội tụnhanh hơn. | Không ảnh hưởng gì vì CNN có tính chất bất biến với phép lật. | Mô hình có thểhọc sai do phép biến đổi làm thay đổi ý nghĩa ngữnghĩa của một sốlớp. | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_14_-_CNNs_Model_Generation_2 | Đoạn code sau đây mô phỏng kỹthuật nào?
1 mask = np.random.binomial (1, 0.5, size=X.shape)
2 out = X * mask
1. Batch Normalization.
2. Dropout
3. Max Pooling.
4. Convolution. | 1 def forward(self , x):
2
identity = x
3
out = self.conv1(x)
4
out = F.relu(out)
5
out = self.conv2(out)
6
out = out + identity
7
out = F.relu(out)
8
return out | 1 def forward(self , x):
2
out = self.conv2(self.conv1(x))
3
out = F.relu(out + x)
4
return out | 1 def forward(self , x):
2
out = F.relu(self.conv1(x))
3
out = F.relu(self.conv2(out))
4
out = out + x
5
return out | 1 def forward(self , x):
2
identity = self.conv1(x)
3
out = self.conv1(x)
4
out = F.relu(out)
5
out = self.conv2(out)
6
out = F.relu(out + identity)
7
return out | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_14_-_CNNs_Model_Generation_5 | Từcode của câu 4 chúng ta tiến hành thêm nhiễu bằng đoạn code:
1 transforms.RandomErasing(p=0.75 ,
2
scale =(0.01 , 0.3) ,
3
ratio =(1.0 , 1.0) ,
4
value=0,
5
inplace =True)
Kết quảtest_accuracy với max_epoch = 20 là: | 77.58% | 75.48% | 74.59% | 79.62% | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_29_-_NER_1_4 | Input của FC layer gồm bao nhiêu node?. | (a) 3 | (b) 4 | (c) 5 | (d) 6 | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_33_-_End-to-end_QA_4 | Giải bài toán text generation bằng cách xem nó như một bài toán text classification như thiết kếdưới đây. Khi đó, vector output có shape là gì? | Output shape = (N, K) | Output shape = (N, S) | Output shape = (N, V ) | Output shape = (S, E)
Trong cách thiết kếnày, mỗi mẫu trong batch cần dựđoán một từtiếp theo trong toàn bộtừvựng có kích thước V . Vì vậy output của mô hình phải là một vector logits trên V lớp cho mỗi phần tửtrong batch, tức shape là (N, V ). Do đó
đúng là C.
Câu 5. Thiết kếlại model đểmodel dựđoán ra K từtrong một ... | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_38_-_GANs_4 | Xét Hình 4 mô tảpipeline xửlý âm thanh, trong đó một sốbước đã bịẩn đi.
Input: Audio
Files
(i)
Pre-processing Convert to
Mel-Spectrogram DataLoaders
?
?
(ii)
(iii)
(iv)
Hình 4: Pipeline tiền xửlý âm thanh với hai bước bịẩn.
Dựa trên pipeline tiền xửlý âm thanh đã mô tảtrong bài, hai bước bịẩn (?) trong Hình 4 lần lượ... | Bước (i): Chuyển sang định dạng MIDI. Bước (iii): Áp dụng Fourier Transform. | Bước (i): Trích xuất đặc trưng MFCC. Bước (iii): Áp dụng data augmentation. | Bước (i): Chuẩn hóa giá trị(Min-Max Scaling). Bước (iii): Chuẩn hóa tần số
lấy mẫu bằng librosa. | Bước (i): Chuẩn hóa tần sốlấy mẫu bằng librosa. Bước (iii): Chuẩn hóa giá
trị(Min-Max Scaling). | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_43_-_Domain_Adaptation_8 | Một mô hình phân loại nhịphân dựđoán xác suất p = P(y = 1 | x) (xác suất ảnh là chó).
Quy ước nhãn:
• 0 = mèo
• 1 = chó Cho 8 samples sau: | (a) (0.5000, 0.5025] | (b) (0.5025, 0.5050] | (c) (0.5050, 0.5075] | (d) (0.5075, 0.6000]
Source Code
Câu 8: Một mô hình phân loại nhịphân dựđoán xác suất p = P(y = 1 | x) (xác suất ảnh là chó).
Quy ước nhãn: | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_53_-_LLM_Pretraining_1 | Các mô hình thuộc họGPT (Generative Pre-trained Transformer) có điểm gì khác biệt vềcấu trúc so với kiến trúc Transformer được giới thiệu trong bài báo “Attention Is All You Need”?
A. GPT chỉsửdụng khối encoder kết hợp với bidirectional attention đểmã hóa toàn bộngữcảnh trước khi sinh token đầu ra.
B. GPT vẫn giữđầy đủ... | Input là [x1, x2, x3, x4], target là [x1, x2, x3, x4] vì mô hình cần tái tạo lại chính
xác toàn bộchuỗi đầu vào. | Input là [<bos>, x1, x2, x3], target là [x1, x2, x3, x4] vì ởmỗi vịtrí mô hình học
dựđoán token kếtiếp. | GPT thay thếself-attention bằng cross-attention đểliên kết trực tiếp input
sequence với output sequence mà không cần hidden states trung gian. | GPT chỉsửdụng khối Decoder với masked self-attention đểdựđoán token tiếp
theo từcác token quá khứ, và trong thiết lập chuẩn không cần khối Encoder
riêng. | D | 3 | quiz | Quizzes | MEDIUM |
quiz_Quiz_53_-_LLM_Pretraining_7 | Vì sao không nên so sánh trực tiếp perplexity giữa giai đoạn pretraining và continued pretraining rồi kết luận continued pretraining “tốt hơn” chỉvì perplexity nhỏhơn?
A. Vì continued pretraining luôn dùng BF16, còn pretraining không dùng BF
nên hai chỉsốmất tính hợp lệthống kê.
B. Vì batch size ởcontinued pretraining ... | Thực hiện padding từng tài liệu đơn lẻbằng token [PAD] đểmọi chuỗi đều
đạt độdài 1024. | Nối toàn bộcác chuỗi token thành một dòng chảy dữliệu duy nhất, sau đó
cắt đều thành các block 1024 token. | Vì hai giai đoạn tuy khác dữliệu nhưng vẫn tối ưu cùng một objective và cùng
tập nhãn, nên vềnguyên tắc perplexity luôn so sánh trực tiếp được. | Vì hai giai đoạn khác nhau vềphân phối dữliệu, độdài chuỗi, cách xây dựng
nhãn và việc label masking, nên thang đo perplexity không còn nằm trong
cùng một bối cảnh đánh giá. | D | 3 | quiz | Quizzes | MEDIUM |
quiz_quiz_28 | Cho một DataFrame df với các cột name, age, và salary. Lệnh nào sau đây lọc nhân viên có tuổi lớn hơn 30 và chỉchọn cột name và salary? | df.filter(df.age > 30).select("name", "salary") | df.where("age > 30").pick("name", "salary") | df.select("name", "salary").where(df.age > 30) | Cảhai | D | 3 | vietnamese_exam | Module_3A | MEDIUM |
qz_1_11 | Trong bài toán phân loại biển báo giao thông (Traffic Sign Recognition), áp dụng kỹthuật Horizontal Flip (Lật ngang) đểtăng cường dữliệu (Data Augmentation) cho toàn bộtập dữliệu huấn luyện. Điều gì sẽxảy ra? 1 flipped_img = cv2. flip(img , 1) | Mô hình sẽhọc tốt hơn do dữliệu đa dạng hơn. | Mô hình sẽhội tụnhanh hơn. | Không ảnh hưởng gì vì CNN có tính chất bất biến với phép lật | Mô hình có thểhọc sai do phép biến đổi làm thay đổi ý nghĩa ngữnghĩa của một
sốlớp. | D | 3 | quiz | Module_5 | MEDIUM |
qz_2_1 | Kết quảcủa đoạn code sau là gì? 1 data = np. array ([2, 4, 6, 8]) 2 result = (data * 3). reshape (2, 2). max(axis =1) | [6, 12, 18, 24] | 24 | [18, 24] | [12, 24] | D | 3 | quiz | Module_6 | MEDIUM |
qz_2_3 | Kết quảcủa đoạn code sau là: 1 s1 = pd.Series ([1, 2, 3], index =[’a’, ’b’, ’c’]) 2 s2 = pd.Series ([4, 5, 6], index =[’b’, ’c’, ’d’]) 3 s3 = s1. add(s2 , fill_value =0) 4 print(s3) | a: NaN, b: 6, c: 8, d: 6 | a: 1, b: 7, c: 9, d: 6 | a: 1, b: 6, c: 8, d: NaN | a: 1, b: 6, c: 8, d: 6 | D | 3 | quiz | Module_6 | MEDIUM |
qz_3_2 | Cho hàm f(x, y). Hai hình dưới lần lượt là đồthịcho x và cho y. Kỹthuật nào hợp lý nhất đểcải thiện tình huống này? | Dùng momentum | Cho learning rate lớn | Cho learning rate nhỏ | Mỗi biến có một lr riêng biệt | D | 3 | quiz | Module_7 | MEDIUM |
ve_48 | Hoàn thiện đoạn code Statistical Calculations ởphần 3.0. Biết rằng cần phân tích hiệu suất từng Product với các chỉsốsau: • Total_Units_Sold = tổng sốlượng sản phẩm bán ra (Total_Items) • Total_Revenue = tổng doanh thu (Total_Cost) • Avg_Product_Price = giá trung bình mỗi giao dịch của sản phẩm đó (Total_Cost) • Unique... | Razors. | Soap. | Eggs. | Toothpaste | D | 3 | vietnamese_exam | Module_3A | MEDIUM |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.