Викторина, связанная с руководством · Средний Уровень

Викторина по моделям RNN-преобразователей

Узнайте, как модели RNN-Transducer объединяют акустические кадры и историю вывода для задач потоковой транскрипции последовательностей.

Связанные направляющие путиМодели датчиков Rnn
Вопрос 1 из 8

Какое ограничение CTC конкретно устраняет RNN-преобразователь?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какое ограничение CTC конкретно устраняет RNN-преобразователь?
    • Допущение условной независимости CTC, которое предотвращает моделирование зависимостей выходных токенов.
    • CTC вообще не может обрабатывать звук
    • Для работы CTC требуются графические процессоры
    • CTC работает только для изображений.
  2. Каковы три основных компонента RNN-преобразователя?
    • Кодер, декодер и дискриминатор
    • Кодер (сеть транскрипции), сеть прогнозирования и совместная сеть
    • Только токенизатор, средство внедрения и softmax
    • Две головы внимания и маршрутизатор
  3. Какую роль сеть прогнозирования играет в RNN-T?
    • Он сжимает форму звукового сигнала
    • Он измеряет громкость микрофона
    • Он действует как языковая модель, учитывающая ранее выпущенные токены.
    • Он выбирает частоту дискретизации
  4. Почему RNN-T так естественно поддерживает потоковую передачу с малой задержкой?
    • Он обрабатывает все высказывание сразу, прежде чем что-либо выдать.
    • Он полностью игнорирует порядок времени
    • Работает только с предварительно записанными файлами.
    • Его выравнивание монотонное, слева направо, с продвижением по звуку с пробелами.
  5. Что делает при декодировании RNN-T выдача пустого токена?
    • Переход к следующему временному шагу звука
    • Завершает всю транскрипцию
    • Удаляет предыдущее слово
    • Переключается на другой язык
  6. Какой тип энкодера все чаще заменяет LSTM в современных производственных системах RNN-T?
    • Деревья решений
    • Конформные энкодеры
    • Обычный мешок слов
    • Скрытые марковские модели
  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