Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Finomhangoló suttogó kvíz
Tervezze meg a Whisper adaptációt igazított hang-szöveg párok, tiszta hangszóró-felosztások, modellméret kompromisszumok és a felejtés robusztus értékelése segítségével.
kérdés 1 -ból 8
Mi változik a Whisper felügyelt finomhangolása során?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi változik a Whisper felügyelt finomhangolása során?
- Csak a dekódolt átiratot szerkesztjük a következtetés után
- Csak a nyelvi címkét cserélik ki képzés nélkül
- A modell súlyozása párosított hang- és szöveges példák segítségével frissül
- Csak a helyesírások statikus listája van hozzáfűzve a kimenethez
- Miért kell a hang- és az átirat szegmenseket igazítani?
- Az igazítás minden szegmensben ugyanazt a GPU memóriahasználatot garantálja
- A rosszul igazított szöveg azt tanítja a modellnek, hogy helytelen beszéd-szöveg leképezéseket készítsen
- Az igazítási hiba ártalmatlan, ha az átirat tartományi szókészletet tartalmaz
- A helyes időzítés garantálja, hogy minden átírt szó pontos
- Hogyan kell felosztani az adatokat a nem látott hangszórók teljesítményének értékeléséhez, amikor mindegyik hangszóró sok felvételt készít?
- Véletlenszerűen osztja fel az átfedő ablakokat minden egyes hangszóróból
- Helyezzen el minden hangszórót minden partícióba
- Csak edzés közben használjon teszthangszórókat
- Csoportosítás hangszóró szerint, mielőtt létrehozná a vonatozást, az érvényesítést és a tesztfelosztást
- Mit támogat a kitartott érvényesítés a finomhangolás során?
- Ellenőrzőpontok és hiperparaméteres döntések
- Korlátlan hangolás, majd elfogulatlan végeredmény ugyanazon a sorozaton
- Gradiens frissítések minden kinyújtott címkével
- Garancia arra, hogy a végső telepítési eloszlás változatlan marad
- Miben különbözhet két szóhibaarány-jelentés?
- Csak a modellparaméterek száma
- Csak az edzőkészleten észlelt veszteség
- Szövegnormalizálás és tokenizációs konvenciók
- Csak az, hogy mindkét rendszer ugyanazt a tokenizátornevet használja-e
- Miért figyeljünk egy általános tartományi készletet, miközben egy szűk tartományhoz alkalmazkodunk?
- Az általános adatok mindig csökkentik a célpont pontosságát
- A célhoz való alkalmazkodás csökkentheti a teljesítményt az edzéselosztáson kívül
- A tesztkészletet a színátmenetek frissítéséhez kell használni
- A modell mérete automatikusan változik
- Mit kínálnak az alacsony rangú adapterek, ha a kiválasztott megvalósítás támogatja őket?
- Garantáltan alacsonyabb WER minden területen
- A rosszul címkézett átiratok automatikus javítása
- Garancia arra, hogy az általános domain viselkedése nem változhat
- Kevesebb tanítható paraméter az adaptáció során
- Miért hasonlítsuk össze a finomhangolást a dekódolási beállításokkal vagy a tartományi támogatással?
- A képzés növelheti a költségeket, ha az egyszerűbb változtatások megoldják a problémát
- A dekódolási lehetőségek mindig megváltoztatják a modell súlyát
- A finomhangolás nem befolyásolhatja a szókincs viselkedését
- Az alapvonal szükségtelenné teszi a tesztcímkéket