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।
প্রশ্ন 1 এর 8
কিভাবে WaveNet অডিও তৈরি করে?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- 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
- ওয়েভনেটের মূল পরিবর্তনমূলক উদ্ভাবন কী?
- সর্বোচ্চ পুলিং স্তর
- প্রসারিত কার্যকারণ convolutions
- শুধুমাত্র পুনরাবৃত্ত গেট
- সম্পূর্ণভাবে সংযুক্ত স্তর
- 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
- 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
- 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
- কোন সংস্থা WaveNet চালু করেছে?
- নাসা
- DeepMind
- OpenAI
- Adobe
- 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
- 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