Тест, свързан с ръководство · Среден Ниво
Тест за вокодер, базиран на WaveGlow
Проверете как WaveGlow картографира характеристиките на мел и шума на Гаус чрез обратими стъпки на потока за паралелен синтез на реч без дестилация.
Въпрос 1 на 8
WaveGlow съчетава архитектурни идеи от кои два модела?
Визуализирайте всеки въпрос8 въпроси
Отговорите и обясненията се появяват, докато отговаряте на теста.
- WaveGlow съчетава архитектурни идеи от кои два модела?
- Glow и WaveNet
- BERT и GPT
- ResNet и VGG
- Такотрон и КЛИП
- Какъв модел е WaveGlow?
- Генеративна враждебна мрежа
- Нормализиращ поток
- Повтарящ се авторегресивен модел
- Агент за обучение за укрепване
- Как WaveGlow генерира вълнова форма по време на извод?
- Той предвижда проби една по една
- Търси в база данни с клипове
- Той взема проби от шума на Гаус и пуска потока в обратна посока
- Използва дискриминатор
- Каква цел оптимизира WaveGlow по време на тренировка?
- Състезателна мин-макс игра
- Крос-ентропия върху текстови етикети
- Контрастна загуба
- Точна логаритмична вероятност на аудио данните
- Кои два компонента съставляват всяка обратима стъпка в WaveGlow?
- Афинен свързващ слой и обратима 1x1 намотка
- Блокиране на внимание и препращане
- Обединяване и софтмакс
- Вграждане и отпадане
- Какво опростяване на обучението предлага WaveGlow спрямо по-ранните паралелни методи WaveNet?
- Не се нуждае от спектрограма
- Той избягва дестилацията учител-ученик чрез използване на една мрежа и загуба
- Премахва необходимостта от всякакъв GPU
- Не се нуждае от аудио данни
- What does WaveGlow's squeeze operation do before its coupling layers process the signal?
- Converts the waveform into written phonemes
- Removes the mel-spectrogram conditioning
- Groups neighboring audio samples into vectors for the flow transformations
- Randomly deletes audio segments
- Which acoustic model is named in the guide as a practical system that can pair with WaveGlow?
- БЕРТ
- A* search
- YOLOv8
- Такотрон 2