แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบสถาปัตยกรรม DeepSpeech
สำรวจคุณสมบัติเสียง DeepSpeech บริบทที่เกิดซ้ำ เอาต์พุตอักขระ การจัดตำแหน่ง CTC และบริบทที่จำเป็นสำหรับการจดจำแบบออฟไลน์หรือแบบสด
คำถาม 1 ของ 8
ฟังก์ชันการสูญเสียใดที่ทำให้ DeepSpeech สามารถฝึกได้โดยไม่ต้องจัดแนวระดับเฟรมระหว่างเสียงและข้อความ
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ฟังก์ชันการสูญเสียใดที่ทำให้ DeepSpeech สามารถฝึกได้โดยไม่ต้องจัดแนวระดับเฟรมระหว่างเสียงและข้อความ
- ค่าคลาดเคลื่อนกำลังสองเฉลี่ย
- เอนโทรปีข้ามบนหน้าต่างที่มีความยาวคงที่
- การจำแนกประเภทชั่วคราวของ Connectionist (CTC)
- การสูญเสียแฝด
- ปรัชญาสถาปัตยกรรมหลักที่ DeepSpeech เป็นที่นิยมคืออะไร
- การฝึกอบรมแบบ end-to-end ของโครงข่ายประสาทเทียมเดี่ยวตั้งแต่คุณสมบัติเสียงไปจนถึงข้อความ
- การแยกการรับรู้ออกเป็นส่วนประกอบที่ออกแบบด้วยมือและแยกจากกัน
- การใช้พจนานุกรมสัทศาสตร์ตามกฎเท่านั้น
- จดจำคำพูดอย่างหมดจดด้วยการจับคู่เทมเพลต
- เหตุใด DeepSpeech จึงใช้เลเยอร์ที่เกิดซ้ำแบบสองทิศทาง
- เพื่อบีบอัดขนาดไฟล์เสียง
- เพื่อให้แต่ละบริบทการทำนายจากทั้งเฟรมในอดีตและอนาคต
- เพื่อแปลระหว่างภาษาต่างๆ
- เพื่อขจัดความต้องการข้อมูลการฝึกอบรมใดๆ
- โดยทั่วไปแล้ว DeepSpeech ทำงานบนฟีเจอร์อินพุตประเภทใด
- ข้อมูลพิกเซลดิบ
- การถอดเสียงข้อความที่เขียนไว้ล่วงหน้า
- แท็กข้อมูลเมตา MP3 ที่บีบอัด
- คุณสมบัติ Spectrogram หรือ MFCC คำนวณผ่านเฟรมเสียงขนาดสั้น
- อะไรมักถูกเพิ่มเข้ามาในเวลาถอดรหัสเพื่อปรับปรุงการเลือกคำและการสะกดคำของ DeepSpeech
- โมเดลภาษาภายนอก (เช่น โมเดล n-gram)
- ไมโครโฟนตัวที่สอง
- ตัวแยกประเภทภาพที่ใหญ่ขึ้น
- ชิปเข้ารหัสฮาร์ดแวร์
- เลเยอร์เอาต์พุตของ DeepSpeech ดั้งเดิมทำนายอะไรในแต่ละขั้นตอนเวลาเสียง?
- เวกเตอร์อัตลักษณ์ผู้พูดที่คงที่เท่านั้น
- เอกสารแปลที่สมบูรณ์หนึ่งฉบับโดยไม่มีขั้นตอนเวลา
- การกระจายความน่าจะเป็นเหนือป้ายกำกับอักขระและสัญลักษณ์ว่างของ CTC
- ชื่อไฟล์และรูปแบบการบีบอัดของการบันทึก
- CTC เชื่อมโยงเส้นทางป้ายกำกับเฟรมเสียงกับบทถอดความสุดท้ายของ DeepSpeech อย่างไร?
- มันจัดเรียงป้ายกำกับอักขระทั้งหมดตามลำดับอักษร
- มันต้องการเฟรมเสียงหนึ่งเฟรมต่อคำอย่างแม่นยำ
- มันเก็บป้ายกำกับเฟรมที่ซ้ำกันทุกอันเป็นอักขระที่เขียนแยกกัน
- มันทำให้การซ้ำหายไปและลบสัญลักษณ์ว่างตามกฎของ CTC
- ทำไมบริบทเสียงสองทิศทางของ DeepSpeech ดั้งเดิมจึงสำคัญเมื่อออกแบบระบบรู้จำแบบเรียลไทม์?
- การทำซ้ำสองทิศทางไม่ต้องการการสังเกตในอนาคต
- บริบทเฟรมในอนาคตต้องการการมองล่วงหน้าหรือการรอคอย ดังนั้นจึงไม่ใช่การสตรีมแบบไม่มีการมองล่วงหน้าโดยอัตโนมัติ
- เครือข่ายสามารถรู้เสียงที่ตามมาก่อนที่มันจะถูกบันทึก
- โมเดลภาษาระดับอักขระลบความต้องการการบัฟเฟอร์ทั้งหมด