Викторина, связанная с руководством · Жесткий Уровень

Викторина «Точная настройка шепота»

Спланируйте адаптацию Whisper, используя выровненные пары аудио-текст, четкое разделение говорящих, компромиссы по размеру модели и надежную оценку на забывание.

Связанные направляющие путиТонкая настройка Шепот
Вопрос 1 из 8

Что меняется во время контролируемой тонкой настройки Whisper?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что меняется во время контролируемой тонкой настройки Whisper?
    • После вывода редактируется только декодированная стенограмма.
    • Без обучения меняется только языковая метка
    • Веса моделей обновляются с использованием парных аудио и текстовых примеров.
    • К выходным данным добавляется только статический список написаний.
  2. Почему сегменты аудио и расшифровки должны быть выровнены?
    • Выравнивание гарантирует одинаковое использование памяти графического процессора для каждого сегмента.
    • Невыровненный текст учит модель неправильному сопоставлению речи с текстом.
    • Ошибка выравнивания безвредна, если расшифровка содержит словарный запас предметной области.
    • Правильное время гарантирует точность каждого слова транскрипции.
  3. Как следует разделить данные, чтобы оценить производительность невидимых динамиков, когда каждый динамик предоставляет много записей?
    • Случайное разделение перекрывающихся окон от каждого динамика
    • Разместите каждый динамик в каждом разделе
    • Используйте тестовые колонки только во время обучения
    • Группируйте по спикерам перед созданием разделения на обучение, проверку и тестирование.
  4. Что поддерживает набор отложенной проверки во время тонкой настройки?
    • Решения контрольных точек и гиперпараметров
    • Неограниченная настройка с последующей объективной окончательной оценкой на том же наборе
    • Обновление градиента с использованием каждой удерживаемой метки
    • Гарантия того, что окончательный дистрибутив развертывания останется неизменным.
  5. Чем могут отличаться два отчета о частоте ошибок в словах?
    • Только количество параметров модели
    • На обучающем наборе наблюдаются только потери
    • Соглашения о нормализации и токенизации текста
    • Только то, используют ли обе системы одно и то же имя токенизатора.
  6. Зачем отслеживать набор общих областей, одновременно адаптируясь к узкой области?
    • Общие данные всегда снижают точность цели
    • Целевая адаптация может снизить производительность за пределами распределения тренировок.
    • Набор тестов следует использовать для обновления градиентов.
    • Размер модели меняется автоматически
  7. Что могут предложить адаптеры низкого ранга, если выбранная реализация их поддерживает?
    • Гарантированное снижение WER в каждом домене
    • Автоматическое исправление неправильно помеченных транскриптов
    • Гарантия того, что никакое общее поведение не может измениться.
    • Меньше обучаемых параметров во время адаптации
  8. Зачем сравнивать тонкую настройку с корректировкой декодирования или поддержкой доменных терминов?
    • Обучение может увеличить стоимость, когда более простые изменения решают проблему.
    • Выбор декодирования всегда меняет веса модели.
    • Точная настройка не может повлиять на поведение словаря
    • Базовый уровень делает ненужными тестовые этикетки