Mit dem Guide verknüpftes Quiz · Mittel Ebene

DeepSpeech-Architektur-Quiz

Entdecken Sie die akustischen Funktionen von DeepSpeech, wiederkehrenden Kontext, Zeichenausgaben, CTC-Ausrichtungen und den für die Offline- oder Live-Erkennung erforderlichen Kontext.

Verwandte FührungspfadeDeepspeech-Architektur
Frage 1 von 8

Mit welcher Verlustfunktion kann DeepSpeech trainieren, ohne dass Audio und Text auf Bildebene ausgerichtet werden müssen?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Mit welcher Verlustfunktion kann DeepSpeech trainieren, ohne dass Audio und Text auf Bildebene ausgerichtet werden müssen?
    • Mittlerer quadratischer Fehler
    • Kreuzentropie über Fenster fester Länge
    • Konnektionistische Zeitklassifikation (CTC)
    • Triplettverlust
  2. Was war die wichtigste Architekturphilosophie, die DeepSpeech populär machte?
    • End-to-End-Training eines einzelnen neuronalen Netzwerks von Audiofunktionen bis hin zu Text
    • Aufteilung der Erkennung in viele handgefertigte, separate Komponenten
    • Verwendung ausschließlich regelbasierter phonetischer Wörterbücher
    • Spracherkennung ausschließlich mit Vorlagenabgleich
  3. Warum verwendet DeepSpeech eine bidirektionale wiederkehrende Ebene?
    • Zum Komprimieren der Audiodateigröße
    • Um jeder Vorhersage einen Kontext aus vergangenen und zukünftigen Frames zu geben
    • Zwischen Sprachen übersetzen
    • Um die Notwendigkeit jeglicher Trainingsdaten zu beseitigen
  4. Mit welchen Eingabefunktionen arbeitet DeepSpeech normalerweise?
    • Rohe Pixeldaten
    • Vorgefertigte Texttranskripte
    • Komprimierte MP3-Metadaten-Tags
    • Spektrogramm- oder MFCC-Funktionen, berechnet über kurze Audioframes
  5. Was wird häufig beim Dekodieren hinzugefügt, um die Wortwahl und Rechtschreibung von DeepSpeech zu verbessern?
    • Ein externes Sprachmodell (z. B. ein N-Gramm-Modell)
    • Ein zweites Mikrofon
    • Ein größerer Bildklassifizierer
    • Ein Hardware-Verschlüsselungschip
  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