Questionário WaveNet

As respostas e explicações aparecem conforme você responde ao teste.

1. Como o WaveNet gera áudio?
   • Uma amostra bruta de cada vez, condicionada a amostras anteriores
   • Selecionando clipes de uma biblioteca fixa
   • Convertendo espectrogramas diretamente em texto
   • Todas as amostras simultaneamente sem pedido
2. Qual é a principal inovação convolucional no WaveNet?
   • Máximo de camadas de pooling
   • Convoluções causais dilatadas
   • Somente portas recorrentes
   • Camadas totalmente conectadas
3. How did the original WaveNet represent quantized waveform samples for prediction?
   • As a single continuous average for the entire clip
   • As speaker IDs only
   • As a categorical distribution over 256 µ-law-quantized values
   • As a sequence of image patches
4. Qual foi a principal desvantagem prática do WaveNet original?
   • Só poderia produzir silêncio
   • Não exigiu dados de treinamento
   • Só funcionou em imagens
   • A amostragem sequencial tornou a geração lenta
5. In the speech-synthesis experiments described in the WaveNet paper, what does the model generate?
   • Raw speech waveforms sample by sample, conditioned on linguistic features
   • A mel-spectrogram that is itself the final audio
   • Only phoneme labels without audio
   • A MIDI score
6. Qual organização introduziu o WaveNet?
   • NASA
   • DeepMind
   • OpenAI
   • Adobe
7. What does causal convolution prevent in WaveNet?
   • Using preceding samples as context
   • Generating any audio waveform
   • Using future audio samples to predict the current sample
   • Conditioning on text or speaker features
8. What activation structure does the original WaveNet use in its gated convolutional layers?
   • A ReLU output concatenated with image patches
   • A softmax over speakers only
   • A linear layer without nonlinearities
   • A tanh-filter output multiplied elementwise by a sigmoid gate