Útmutatóhoz kapcsolódó kvíz · Közepes Szint

DeepSpeech architektúra kvíz

Explore DeepSpeech acoustic features, recurrent context, character outputs, CTC alignments, and the context needed for offline or live recognition.

Kapcsolódó útmutató utakDeepspeech architektúra
kérdés 1 -ból 8

Melyik elvesztési funkció teszi lehetővé a DeepSpeech képzését anélkül, hogy a hang és a szöveg között keretszintű igazítás lenne?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Melyik elvesztési funkció teszi lehetővé a DeepSpeech képzését anélkül, hogy a hang és a szöveg között keretszintű igazítás lenne?
    • Átlagos négyzetes hiba
    • Keresztentrópia rögzített hosszúságú ablakokon
    • Konnekcionista időbeli osztályozás (CTC)
    • Hármas veszteség
  2. Mi volt a fő építészeti filozófia, amelyet a DeepSpeech népszerűsített?
    • Egyetlen neurális hálózat teljes körű betanítása az audio funkcióktól a szövegig
    • A felismerés felosztása számos, kézzel tervezett, különálló komponensre
    • Csak szabályalapú fonetikus szótárak használata
    • A beszéd tisztán felismerése sablonillesztéssel
  3. Miért használ a DeepSpeech kétirányú ismétlődő réteget?
    • A hangfájl méretének tömörítése
    • Minden egyes előrejelzési kontextus megadása múltbeli és jövőbeli keretekből
    • Nyelvek közötti fordításhoz
    • Hogy ne legyen szükség edzési adatokra
  4. Milyen beviteli funkciókon működik a DeepSpeech általában?
    • Nyers pixel adatok
    • Előre megírt szöveges átiratok
    • Tömörített MP3 metaadat címkék
    • A spektrogram vagy az MFCC funkciók rövid hangkockákon számítva
  5. Mit adnak hozzá gyakran a dekódoláskor a DeepSpeech szóválasztásának és helyesírásának javítása érdekében?
    • Külső nyelvi modell (pl. n-gram modell)
    • Egy második mikrofon
    • Egy nagyobb képosztályozó
    • Hardveres titkosító chip
  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