Викторина, связанная с руководством · Средний Уровень
Извлечение аудиофункций с помощью Librosa Quiz
Изучите функции Librosa и варианты кадрирования, а также предотвратите ошибки частоты дискретизации, формы, нормализации и разделения данных в многоразовых конвейерах машинного обучения.
Вопрос 1 из 8
Какое семейство функций суммирует информацию о спектральной огибающей с помощью банка фильтров mel и косинусного преобразования?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Какое семейство функций суммирует информацию о спектральной огибающей с помощью банка фильтров mel и косинусного преобразования?
- Chroma vectors
- Onset-strength envelopes
- MFCCs
- Raw STFT phase angles
- What does a chroma representation commonly aggregate?
- Energy in each distinct absolute-frequency bin without octave folding
- Energy by pitch class
- The time intervals between successive amplitude peaks
- Cepstral coefficients describing the spectral envelope
- Какая настройка управляет интервалом между последовательными кадрами анализа?
- Window length alone
- Number of mel bands
- Number of cepstral coefficients
- Hop length
- Почему сигнал необходимо преобразовывать при повторной выборке?
- Changing only the metadata does not create samples at the new rate
- Relabeling samples alone always preserves playback pitch at any rate
- A new sample-rate field automatically applies anti-alias filtering
- Repeatedly copying samples is equivalent to every proper resampling method
- Почему статистику нормализации функций следует использовать только для обучающих данных?
- To guarantee that every normalized feature is Gaussian
- To make preprocessing independent of the fitting data
- To prevent validation or test information from influencing preprocessing
- To permit a different learned normalization at inference without validation
- Какая информация отбрасывается, когда STFT уменьшается до величины?
- Sampling rate
- Phase
- Time-frame count
- Frequency-bin count
- Which statement about onset strength is accurate?
- It detects every onset at an exact boundary
- It measures only frame loudness
- It returns tempo-independent beat labels
- It summarizes changes associated with likely attacks but is not a guaranteed event detector
- Why group recordings by speaker or session before splitting overlapping windows?
- Related windows can otherwise leak across training and validation
- Window overlap guarantees independence once labels are shuffled
- Grouping changes the waveform's sample rate
- A source identifier alone removes every correlation between related windows