Útmutatóhoz kapcsolódó kvíz · Közepes Szint

RNN-Transducer Models kvíz

Understand how RNN-Transducer models combine acoustic frames and output history for streaming sequence transcription tasks.

Kapcsolódó útmutató utakRnn jelátalakító modellek
kérdés 1 -ból 8

A CTC melyik korlátozására vonatkozik az RNN-Transducer?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. A CTC melyik korlátozására vonatkozik az RNN-Transducer?
    • A CTC feltételes függetlenségi feltételezése, amely megakadályozza a kimeneti token függőségek modellezését
    • A CTC egyáltalán nem tudja feldolgozni a hangot
    • A CTC futtatásához GPU-kra van szükség
    • A CTC csak képeknél működik
  2. Mi az RNN-Transducer három fő összetevője?
    • Kódoló, dekódoló és diszkriminátor
    • Kódoló (átírási hálózat), előrejelző hálózat és közös hálózat
    • Csak Tokenizátor, beágyazó és softmax
    • Két figyelemfelkeltő fej és egy router
  3. Milyen szerepet játszik az előrejelző hálózat az RNN-T-ben?
    • Tömöríti az audio hullámformát
    • A mikrofon hangerejét méri
    • Nyelvi modellként működik, és a korábban kibocsátott tokeneket kondicionálja
    • Kiválasztja a mintavételi frekvenciát
  4. Miért támogatja az RNN-T olyan természetesen az alacsony késleltetésű adatfolyamot?
    • Egyszerre feldolgozza az egész megnyilatkozást, mielőtt bármit is kiadna
    • Teljesen figyelmen kívül hagyja az időrendet
    • Csak előre rögzített fájlokon működik
    • Az igazítása monoton és balról jobbra haladva halad a hangon üres helyekkel
  5. Az RNN-T dekódolásnál mit csinál egy üres token kibocsátása?
    • Továbblép a következő hangidő-lépésre
    • Befejezi a teljes átírást
    • Törli az előző szót
    • Másik nyelvre vált
  6. Melyik kódolótípus váltja fel egyre inkább az LSTM-eket a modern, sorozatgyártású RNN-T rendszerekben?
    • Döntési fák
    • Konformer kódolók
    • Egyszerű szózsák
    • Rejtett Markov modellek
  7. What two histories condition the RNN-T joint network’s output distribution?
    • Only the future transcript and a speaker photo
    • Only the last acoustic frame, without output context
    • The encoder representation of acoustic input and the prediction-network representation of prior output labels
    • The optimizer state and learning rate
  8. What alignment behavior does an RNN-T allow before advancing to the next audio frame?
    • It must emit exactly one label for every frame
    • It advances time only after a word-final token
    • It generates all output before reading any audio
    • It can emit zero or more nonblank labels at the current frame, then a blank advances time