Тест за архитектура на DeepSpeech

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Коя функция за загуба позволява на DeepSpeech да се обучава без подравняване на ниво рамка между аудио и текст?
   • Средна квадратна грешка
   • Крос-ентропия върху прозорци с фиксирана дължина
   • Конекционистка времева класификация (CTC)
   • Тройна загуба
2. Каква беше основната архитектурна философия, която DeepSpeech популяризира?
   • Обучение от край до край на единична невронна мрежа от аудио функции до текст
   • Разделяне на разпознаването на много ръчно проектирани, отделни компоненти
   • Използване само на базирани на правила фонетични речници
   • Разпознаване на реч само със съпоставяне на шаблони
3. Защо DeepSpeech използва двупосочен повтарящ се слой?
   • За компресиране на размера на аудио файла
   • За да даде контекст на всяка прогноза от минали и бъдещи рамки
   • За превод между езици
   • За да премахнете необходимостта от каквито и да било данни за обучение
4. С какви функции за въвеждане обикновено работи DeepSpeech?
   • Сурови пикселни данни
   • Предварително написани текстови преписи
   • Компресирани MP3 тагове с метаданни
   • Спектрограма или функции на MFCC, изчислени върху кратки аудио кадри
5. Какво често се добавя по време на декодиране, за да се подобри изборът на думи и правописът на DeepSpeech?
   • Модел на външен език (напр. n-грам модел)
   • Втори микрофон
   • По-голям класификатор на изображения
   • Хардуерен чип за криптиране
6. What does the original DeepSpeech output layer predict at each acoustic time step?
   • A fixed speaker-identity vector only
   • A single complete translated document with no time steps
   • A probability distribution over character labels and the CTC blank
   • The recording's filename and compression format
7. How does CTC relate an acoustic-frame label path to the final DeepSpeech transcript?
   • It sorts all character labels alphabetically
   • It requires exactly one audio frame for each word
   • It keeps every repeated frame label as a separate written character
   • It collapses repetitions and removes blank symbols according to the CTC rule
8. Why does original DeepSpeech's bidirectional acoustic context matter when designing a live recognizer?
   • Bidirectional recurrence needs no future observations
   • Future-frame context requires lookahead or waiting, so it is not automatically zero-lookahead streaming
   • The network can know later audio before it is recorded
   • A character language model removes all buffering requirements