Test de separare RNN cu două căi

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce problemă rezolvă în primul rând Dual-Path RNN?
   • Modelarea unor secvențe audio extrem de lungi care copleșesc un singur RNN
   • Generarea de muzică nouă din text
   • Comprimarea fișierelor audio pentru stocare
   • Detectarea limbii vorbite
2. Care sunt cele două „căi” într-un RNN cu dublă cale?
   • Encoder și decodor
   • Recidiva intra-chink (locală) și inter-chunk (globală).
   • Redare audio înainte și înapoi
   • Căi de antrenament și inferență
3. Cum este pregătită secvența lungă de caracteristici înaintea blocurilor cu căi duble?
   • Este convertit într-un singur vector mediu
   • Se transformă în jetoane text
   • Este segmentat în bucăți scurte care se suprapun, formând o grilă 2D
   • Se reduce eșantionarea la o singură probă
4. În ce cadru existent a fost introdus DPRNN ca înlocuitor al separatorului?
   • Un model de imagine de difuzie
   • Numai un decodor de vorbire în text
   • Un vocoder bazat pe GAN
   • Cadrul de codificator/decodor Conv-TasNet
5. Care model ulterior a păstrat structura cu căi duble a DPRNN, dar a înlocuit RNN-urile cu Transformers?
   • SeptFormer
   • WaveNet
   • BERT
   • Tacotron
6. De ce procesarea în bucăți ajută la stabilitatea antrenamentului?
   • Îndepărtează necesitatea oricărei funcții de pierdere
   • Fiecare RNN vede doar o scurtă subsecvență, evitând lanțurile de backprop foarte lungi
   • Elimină automat toate difuzoarele care se suprapun
   • Acesta convertește sunetul în imagini
7. How are processed overlapping chunks recombined into the output sequence?
   • By sorting them alphabetically
   • By averaging all chunks into one frame
   • By overlap-add across the chunk positions
   • By converting them into text tokens
8. On which benchmark did the DPRNN paper report its 20-times-smaller model comparison?
   • MUSDB18
   • ImageNet
   • LibriTTS
   • WSJ0-2mix