Test WaveNet

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Cum generează WaveNet audio?
   • O probă brută la un moment dat, condiționată de mostrele anterioare
   • Prin selectarea clipurilor dintr-o bibliotecă fixă
   • Prin conversia spectrogramelor direct în text
   • Toate mostrele simultan, fără comandă
2. Care este inovația convoluțională cheie în WaveNet?
   • Straturi de amestecare maxime
   • Circunvoluții cauzale dilatate
   • Numai porți recurente
   • Straturi complet conectate
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. Care a fost un dezavantaj practic major al WaveNet original?
   • Nu putea produce decât tăcere
   • Nu necesita date de antrenament
   • A funcționat doar pe imagini
   • Eșantionarea secvenţială a făcut ca generarea să fie lentă
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. Ce organizație a introdus 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