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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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