Kvíz spojený s průvodcem · Střední úroveň

Kvíz o separaci RNN s dvojitou cestou

Prohlédněte si překrývající se bloky DPRNN, opakování uvnitř a mezi bloky, rekonstrukci přidání překrytí a výsledky v rozsahu benchmarku.

Související vodicí cestyDvojité oddělení Rnn
Otázka 1 z 8

Jaký problém Dual-Path RNN primárně řeší?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký problém Dual-Path RNN primárně řeší?
    • Modelování extrémně dlouhých zvukových sekvencí, které přehluší jediné RNN
    • Generování nové hudby z textu
    • Komprese zvukových souborů pro ukládání
    • Detekce mluveného jazyka
  2. Jaké jsou dvě „cesty“ ve dvoucestném RNN?
    • Kodér a dekodér
    • Intra-chunk (lokální) a inter-chunk (globální) opakování
    • Přehrávání zvuku vpřed a vzad
    • Tréninkové a inferenční cesty
  3. Jak se připravuje dlouhá sekvence prvků před bloky dvou cest?
    • Převede se na jeden průměrný vektor
    • Změní se na textové tokeny
    • Je rozdělen na krátké překrývající se kousky tvořící 2D mřížku
    • Převzorkuje se na jeden vzorek
  4. Do jakého existujícího rámce bylo DPRNN vypuštěno jako náhrada oddělovače?
    • Difúzní obrazový model
    • Pouze dekodér řeči na text
    • Vokodér založený na GAN
    • Rámec kodéru/dekodéru Conv-TasNet
  5. Který pozdější model si zachoval dvoucestnou strukturu DPRNN, ale nahradil RNN transformátory?
    • SepFormer
    • WaveNet
    • BERT
    • Tacotron
  6. Proč zpracování po částech pomáhá trénovat stabilitu?
    • Odstraňuje potřebu jakékoli funkce ztráty
    • Každý RNN vidí pouze krátkou podsekvenci, čímž se vyhne velmi dlouhým řetězcům backprop
    • Automaticky eliminuje všechny překrývající se reproduktory
    • Převádí zvuk na obrázky
  7. Jak jsou zpracované překrývající se úseky znovu sloučeny do výstupní sekvence?
    • Řazením podle abecedy
    • Průměrováním všech úseků do jedné snímky
    • Přidáváním překrytí napříč pozicemi úseků
    • Převodem na textové tokeny
  8. Na jakém benchmarku uvedl článek o DPRNN srovnání svého modelu, který je 20‑krát menší?
    • MUSDB18
    • ImageNet
    • LibriTTS
    • WSJ0-2mix