แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการจำแนกประเภทชั่วคราวของ Connectionist
เรียนรู้ว่า CTC ลดการจัดแนวระหว่างเฟรมอินพุตที่ไม่ได้แบ่งส่วนและลำดับเอาต์พุต เช่น การถอดเสียงการรู้จำเสียงพูดได้อย่างไร
คำถาม 1 ของ 8
ปัญหาหลักใดที่ CTC ได้รับการออกแบบมาเพื่อแก้ไขสำหรับการรู้จำเสียงพูด
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ปัญหาหลักใดที่ CTC ได้รับการออกแบบมาเพื่อแก้ไขสำหรับการรู้จำเสียงพูด
- การจัดแนวเฟรมเสียงที่ไม่ได้แบ่งส่วนเพื่อส่งออกข้อความโดยไม่มีป้ายกำกับระดับเฟรม
- การบีบอัดไฟล์เสียงเพื่อการจัดเก็บ
- การแปลคำพูดจากภาษาหนึ่งเป็นอีกภาษาหนึ่ง
- การลบเสียงรบกวนพื้นหลังออกจากการบันทึก
- โทเค็น 'ว่าง' พิเศษใน CTC ใช้ทำอะไร
- เพื่อทำเครื่องหมายท้ายประโยคทั้งหมดเท่านั้น
- เพื่อแสดงถึง 'ไม่มีเอาต์พุตใหม่ที่นี่' และเพื่อแยกอักขระซ้ำของแท้
- เพื่อจัดเก็บความน่าจะเป็นของแบบจำลองภาษา
- เพื่อบ่งบอกถึงความเงียบในรูปคลื่นเสียงต้นฉบับ
- CTC คำนวณการสูญเสียสำหรับการถอดรหัสเป้าหมายอย่างไร
- โดยจะเลือกการจัดตำแหน่งเดียวที่เป็นไปได้มากที่สุดและไม่สนใจส่วนที่เหลือ
- มันเปรียบเทียบค่าพิกเซลแบบเฟรมต่อเฟรม
- โดยจะรวมความน่าจะเป็นของเส้นทางเฟรมที่ถูกต้องทั้งหมดที่ยุบลงในข้อความเป้าหมาย
- โดยจะเฉลี่ยแอมพลิจูดของเสียงเมื่อเวลาผ่านไป
- กฎการยุบสองข้อที่ CTC ใช้เพื่อเปลี่ยนเส้นทางเฟรมเป็นข้อความสุดท้ายคืออะไร
- ใช้อักษรตัวพิมพ์ใหญ่ แล้วเพิ่มเครื่องหมายวรรคตอน
- กลับลำดับแล้วลบสระออก
- เพิ่มช่องว่าง จากนั้นแปลเป็นหน่วยเสียง
- รวมอักขระที่ซ้ำกันติดต่อกัน จากนั้นลบโทเค็นเปล่า
- CTC มาตรฐานมีสมมติฐานอะไรที่ทำให้ง่ายขึ้นเกี่ยวกับผลลัพธ์ของมัน
- การทำนายของแต่ละเฟรมจะเป็นอิสระจากเฟรมอื่นๆ ที่ได้รับเสียงอย่างมีเงื่อนไข
- ผลลัพธ์ขึ้นอยู่กับอักขระที่ปล่อยออกมาก่อนหน้านี้เป็นอย่างมาก
- เสียงต้องมีความยาวหนึ่งวินาทีพอดี
- ตัวละครทุกตัวใช้เวลาหนึ่งเฟรมเท่านั้น
- เหตุใดการค้นหาลำแสงด้วยโมเดลภาษาที่หลอมรวมจึงมักนิยมมากกว่าการถอดรหัสโลภใน CTC
- มันทำงานเร็วขึ้นในทุกอุปกรณ์
- มันชดเชยการขาดโมเดลภาษาภายในของ CTC และปรับปรุงความแม่นยำ
- โดยไม่จำเป็นต้องใช้โทเค็นเปล่าอีกต่อไป
- ช่วยลดความจำเป็นในการฝึกอบรมเครือข่าย
- What length constraint does CTC place on an output sequence relative to input frames?
- The target must always have exactly the same length as the input
- The target must contain twice as many labels as input frames
- The target cannot require more output labels than there are input time steps
- CTC requires a fixed 256-token output
- How can CTC compute the sum over many valid alignments without explicitly listing every path?
- By selecting one random path and ignoring all others
- By running a separate language model for every audio frame
- By sorting the transcript alphabetically
- Using a forward-backward dynamic-programming recurrence over an alignment lattice