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.
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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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
- 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
- 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