Тест за WaveNet

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Как WaveNet генерира аудио?
   • Една сурова проба наведнъж, обусловена от предишни проби
   • Чрез избиране на клипове от фиксирана библиотека
   • Чрез конвертиране на спектрограми директно в текст
   • Всички мостри едновременно без поръчка
2. Коя е ключовата конволюционна иновация в WaveNet?
   • Максимални слоеве за обединяване
   • Разширени причинно-следствени извивки
   • Само повтарящи се порти
   • Напълно свързани слоеве
3. How did the original WaveNet represent quantized waveform samples for prediction?
   • As a single continuous average for the entire clip
   • As speaker IDs only
   • As a categorical distribution over 256 µ-law-quantized values
   • As a sequence of image patches
4. Какъв беше основният практически недостатък на оригиналния WaveNet?
   • Можеше да създаде само тишина
   • Не изисква данни за обучение
   • Работеше само върху изображения
   • Последователното вземане на проби забави генерирането
5. In the speech-synthesis experiments described in the WaveNet paper, what does the model generate?
   • Raw speech waveforms sample by sample, conditioned on linguistic features
   • A mel-spectrogram that is itself the final audio
   • Only phoneme labels without audio
   • A MIDI score
6. Коя организация въведе WaveNet?
   • НАСА
   • DeepMind
   • OpenAI
   • Adobe
7. What does causal convolution prevent in WaveNet?
   • Using preceding samples as context
   • Generating any audio waveform
   • Using future audio samples to predict the current sample
   • Conditioning on text or speaker features
8. What activation structure does the original WaveNet use in its gated convolutional layers?
   • A ReLU output concatenated with image patches
   • A softmax over speakers only
   • A linear layer without nonlinearities
   • A tanh-filter output multiplied elementwise by a sigmoid gate