1-c 2-c 3-b 4-c 5-c 6-b 7-b 8-c 9-c 10-b 11-b 12-bca 13-bdhkfgejcia 14-E. Другое: Субслова 15- Плюсы Эффективная загрузка мини-батчей Параллельная загрузка данных (мультипроцессинг) Аугментация «на-лету» через transforms Гибкость семплирования и сборки батчей (shuffle, sampler, collate_fn) Pin memory для ускорения передачи на GPU Минусы Накладные расходы от процессов-воркеров Увеличенное время старта при инициализации DataLoader Постоянные воркеры (persistent_workers) удерживают память Сложность настройки и отладки асинхронного конвейера

16- Сходства PyTorch и TensorFlow: GPU-ускорение и автоматическое дифференцирование. Отличия : PyTorch: динамические графы, удобен для исследований. TensorFlow: статические графы, лучше для production

17- AutoTokenizer — класс, который сам подбирает и загружает нужный токенизатор по имени модели, чтобы правильно разбивать и кодировать текст при помощи AutoTokenizer.from_pretrained() AutoModel — класс для загрузки «сырой» базовой модели без голов (heads) для конкретных задач; возвращает экземпляры вроде BertModel или GPT2Model через AutoModel.from_pretrained() AutoModelForSequenceClassification — то же, что AutoModel, но к базовой модели автоматически добавляется линейная голова для классификации последовательностей (linear + softmax), готовая к дообучению на задачах классификации Самый общий из них — AutoModel, поскольку все специализированные классы AutoModelFor… (включая AutoModelForSequenceClassification) наследуют и расширяют именно его