Test legat de ghid · Mediu Nivel

Testul RNN-Modele de traductoare

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

Căi de ghidare aferenteModele de traductoare Rnn
Întrebare 1 de 8

Ce limitare a CTC abordează în mod special traductorul RNN?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce limitare a CTC abordează în mod special traductorul RNN?
    • Ipoteza de independență condiționată a CTC, care împiedică modelarea dependențelor de token de ieșire
    • CTC nu poate procesa audio deloc
    • CTC necesită GPU-uri pentru a rula
    • CTC funcționează doar pentru imagini
  2. Care sunt cele trei componente principale ale unui traductor RNN?
    • Codificator, decodor și discriminator
    • Codificator (rețea de transcripție), rețea de predicție și rețea comună
    • Numai tokenizer, embeder și softmax
    • Două capete de atenție și un router
  3. Ce rol joacă rețeaua de predicție într-un RNN-T?
    • Comprimă forma de undă audio
    • Măsoară volumul microfonului
    • Acționează ca un model de limbaj, condiționat de token-urile emise anterior
    • Selectează rata de eșantionare
  4. De ce RNN-T acceptă streaming cu latență scăzută atât de natural?
    • Procesează întregul enunț deodată înainte de a emite ceva
    • Ignoră în întregime ordinea timpului
    • Funcționează doar pe fișiere preînregistrate
    • Alinierea sa este monotonă și de la stânga la dreapta, avansând prin audio cu spații libere
  5. În decodificarea RNN-T, ce face emiterea unui token gol?
    • Avansează la următorul pas de timp audio
    • Termină întreaga transcriere
    • Șterge cuvântul anterior
    • Comută la o altă limbă
  6. Ce tip de codificator înlocuiește din ce în ce mai mult LSTM-urile în sistemele moderne de producție RNN-T?
    • Arbori de decizie
    • Codificatoare conforme
    • Pungă simplă de cuvinte
    • Modele Markov ascunse
  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