Kvíz spojený s průvodcem · Střední úroveň

Kvíz o architektuře DeepSpeech

Prozkoumejte akustické funkce DeepSpeech, opakující se kontext, výstupy znaků, zarovnání CTC a kontext potřebný pro offline nebo živé rozpoznávání.

Související vodicí cestyArchitektura hluboké řeči
Otázka 1 z 8

Jaká ztrátová funkce umožňuje trénovat DeepSpeech bez zarovnání na úrovni snímku mezi zvukem a textem?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká ztrátová funkce umožňuje trénovat DeepSpeech bez zarovnání na úrovni snímku mezi zvukem a textem?
    • Střední kvadratická chyba
    • Křížová entropie přes okna s pevnou délkou
    • Connectionist Temporal Classification (CTC)
    • Trojnásobná ztráta
  2. Jaká byla hlavní architektonická filozofie, kterou DeepSpeech popularizoval?
    • Kompletní trénování jedné neuronové sítě od zvukových funkcí po text
    • Rozdělení rozpoznávání do mnoha ručně vytvořených samostatných komponent
    • Používat pouze fonetické slovníky založené na pravidlech
    • Rozpoznávání řeči čistě pomocí shody šablon
  3. Proč DeepSpeech používá obousměrnou rekurentní vrstvu?
    • Pro komprimaci velikosti audio souboru
    • Poskytnout každému předpovědnímu kontextu z minulých i budoucích snímků
    • K překladu mezi jazyky
    • Chcete-li odstranit potřebu jakýchkoli tréninkových dat
  4. Na jakých vstupních funkcích DeepSpeech obvykle funguje?
    • Nezpracovaná pixelová data
    • Předem psané textové přepisy
    • Značky komprimovaných metadat MP3
    • Funkce spektrogramu nebo MFCC počítané přes krátké zvukové snímky
  5. Co se často přidává v době dekódování, aby se zlepšil výběr slov a pravopis DeepSpeech?
    • Externí jazykový model (např. n-gramový model)
    • Druhý mikrofon
    • Větší klasifikátor obrázků
    • Hardwarový šifrovací čip
  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