গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

ওয়েভনেট কুইজ

WaveNet-এর অটোরিগ্রেসিভ ওয়েভফর্ম জেনারেশন, কার্যকারণ প্রসারিত কনভোলিউশন এবং কেন এর আসল নমুনা প্রক্রিয়া ধীর ছিল পর্যালোচনা করুন।

সম্পর্কিত গাইড পাথওয়েভেনেট
প্রশ্ন 1 এর 8

কিভাবে WaveNet অডিও তৈরি করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. কিভাবে WaveNet অডিও তৈরি করে?
    • এক সময়ে একটি কাঁচা নমুনা, পূর্ববর্তী নমুনার উপর শর্তযুক্ত
    • একটি নির্দিষ্ট লাইব্রেরি থেকে ক্লিপ নির্বাচন করে
    • স্পেকট্রোগ্রামগুলিকে সরাসরি পাঠ্যে রূপান্তর করে
    • কোনো অর্ডার ছাড়াই একযোগে সব নমুনা
  2. ওয়েভনেটের মূল পরিবর্তনমূলক উদ্ভাবন কী?
    • সর্বোচ্চ পুলিং স্তর
    • প্রসারিত কার্যকারণ convolutions
    • শুধুমাত্র পুনরাবৃত্ত গেট
    • সম্পূর্ণভাবে সংযুক্ত স্তর
  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. মূল ওয়েভনেটের একটি বড় ব্যবহারিক ত্রুটি কী ছিল?
    • এটি কেবল নীরবতা তৈরি করতে পারে
    • এটি কোন প্রশিক্ষণ তথ্য প্রয়োজন
    • এটা শুধুমাত্র ইমেজ কাজ
    • অনুক্রমিক নমুনা প্রজন্মকে ধীর করে তোলে
  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. কোন সংস্থা WaveNet চালু করেছে?
    • নাসা
    • 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