Quiz dotyczący architektury DeepSpeech

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaka funkcja utraty umożliwia trenowanie DeepSpeech bez wyrównania dźwięku i tekstu na poziomie klatki?
   • Średni błąd kwadratowy
   • Entropia krzyżowa w oknach o stałej długości
   • Koneksjonistyczna klasyfikacja czasowa (CTC)
   • Potrójna strata
2. Jaka była główna filozofia architektury spopularyzowana przez DeepSpeech?
   • Kompleksowe szkolenie pojedynczej sieci neuronowej, od funkcji audio po tekst
   • Dzielenie rozpoznawania na wiele ręcznie zaprojektowanych, oddzielnych komponentów
   • Używanie wyłącznie słowników fonetycznych opartych na regułach
   • Rozpoznawanie mowy wyłącznie na podstawie dopasowania szablonu
3. Dlaczego DeepSpeech używa dwukierunkowej warstwy cyklicznej?
   • Aby skompresować rozmiar pliku audio
   • Aby nadać każdemu kontekst przewidywania zarówno z przeszłych, jak i przyszłych klatek
   • Aby tłumaczyć między językami
   • Aby usunąć potrzebę jakichkolwiek danych szkoleniowych
4. Na jakich funkcjach wejściowych zazwyczaj działa DeepSpeech?
   • Surowe dane pikseli
   • Wstępnie napisane transkrypcje tekstów
   • Skompresowane znaczniki metadanych MP3
   • Funkcje spektrogramu lub MFCC obliczone na podstawie krótkich ramek audio
5. Co jest często dodawane podczas dekodowania, aby poprawić dobór słów i pisownię w DeepSpeech?
   • Model języka zewnętrznego (np. model n-gramowy)
   • Drugi mikrofon
   • Większy klasyfikator obrazu
   • Sprzętowy układ szyfrujący
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