Kvíz spojený s průvodcem · Těžko úroveň
Kvantizační kvíz zbytkových vektorů
Otestujte kvantizaci zbytkového vektoru, včetně iterativního chybového kódování, kompaktních číselníků, ztráty závazků a řízení kvality datového toku.
Otázka 1 z 8
Co kvantuje každý postupný kódový seznam v RVQ?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co kvantuje každý postupný kódový seznam v RVQ?
- Zbytková chyba, kterou zanechaly předchozí fáze
- Původní vstup opět od začátku
- Jiný zvukový kanál
- Výstup dekodéru
- Proč používat RVQ místo jednoho velkého číselníku?
- Vyhne se tak nutnosti jakéhokoli školení
- Rozdělí obrovskou efektivní kódovou knihu na malé, čímž šetří paměť a výpočet
- Zcela eliminuje kodér
- Funguje pouze pro textová data
- Jak se z kódů RVQ tvoří konečná rekonstrukce?
- Tím, že vezmete pouze vektor posledního číselníku
- Zprůměrováním vstupu se šumem
- Sečtením vybraných vektorů ze všech fází
- Vynásobením všech záznamů v číselníku
- Kolik efektivních kombinací kódů představuje RVQ, když každý z M stupňů obsahuje K záznamů?
- M krát K
- M plus K
- K děleno M
- K k síle M
- Jaký je typický účel „ztráty závazků“ při trénování číselníků RVQ?
- Aby výstupy kodéru zůstaly blízko jejich zvoleným záznamům v číselníku
- Pro zvýšení vzorkovací frekvence zvuku
- Smazání nepoužitých zvukových snímků
- Chcete-li převést kódy zpět na text
- Jak RVQ umožňuje neurálnímu kodeku změnit svůj datový tok v době odvození?
- Pouze přepnutím na jinou vzorkovací frekvenci
- Použitím více nebo méně kvantizačních stupňů
- Pokaždé přeškolením celého modelu
- Kompresí hmotností dekodérů
- In RVQ training, what does commitment loss encourage?
- Each codebook to contain a different number of entries
- The decoder to output longer audio
- The encoder output to stay close to the selected codebook vector
- The residual to increase at every quantization stage
- How are codebook vectors commonly updated in the guide’s RVQ description?
- By sorting the codebook alphabetically
- By replacing the codebook with a recurrent network
- By adding the residual directly to every code index
- With exponential moving averages of encoder assignments