แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบสถาปัตยกรรม DeepSpeech

สำรวจคุณสมบัติเสียง DeepSpeech บริบทที่เกิดซ้ำ เอาต์พุตอักขระ การจัดตำแหน่ง CTC และบริบทที่จำเป็นสำหรับการจดจำแบบออฟไลน์หรือแบบสด

เส้นทางแนะนำที่เกี่ยวข้องสถาปัตยกรรมการพูดเชิงลึก
คำถาม 1 ของ 8

ฟังก์ชันการสูญเสียใดที่ทำให้ DeepSpeech สามารถฝึกได้โดยไม่ต้องจัดแนวระดับเฟรมระหว่างเสียงและข้อความ

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ฟังก์ชันการสูญเสียใดที่ทำให้ DeepSpeech สามารถฝึกได้โดยไม่ต้องจัดแนวระดับเฟรมระหว่างเสียงและข้อความ
    • ค่าคลาดเคลื่อนกำลังสองเฉลี่ย
    • เอนโทรปีข้ามบนหน้าต่างที่มีความยาวคงที่
    • การจำแนกประเภทชั่วคราวของ Connectionist (CTC)
    • การสูญเสียแฝด
  2. ปรัชญาสถาปัตยกรรมหลักที่ DeepSpeech เป็นที่นิยมคืออะไร
    • การฝึกอบรมแบบ end-to-end ของโครงข่ายประสาทเทียมเดี่ยวตั้งแต่คุณสมบัติเสียงไปจนถึงข้อความ
    • การแยกการรับรู้ออกเป็นส่วนประกอบที่ออกแบบด้วยมือและแยกจากกัน
    • การใช้พจนานุกรมสัทศาสตร์ตามกฎเท่านั้น
    • จดจำคำพูดอย่างหมดจดด้วยการจับคู่เทมเพลต
  3. เหตุใด DeepSpeech จึงใช้เลเยอร์ที่เกิดซ้ำแบบสองทิศทาง
    • เพื่อบีบอัดขนาดไฟล์เสียง
    • เพื่อให้แต่ละบริบทการทำนายจากทั้งเฟรมในอดีตและอนาคต
    • เพื่อแปลระหว่างภาษาต่างๆ
    • เพื่อขจัดความต้องการข้อมูลการฝึกอบรมใดๆ
  4. โดยทั่วไปแล้ว DeepSpeech ทำงานบนฟีเจอร์อินพุตประเภทใด
    • ข้อมูลพิกเซลดิบ
    • การถอดเสียงข้อความที่เขียนไว้ล่วงหน้า
    • แท็กข้อมูลเมตา MP3 ที่บีบอัด
    • คุณสมบัติ Spectrogram หรือ MFCC คำนวณผ่านเฟรมเสียงขนาดสั้น
  5. อะไรมักถูกเพิ่มเข้ามาในเวลาถอดรหัสเพื่อปรับปรุงการเลือกคำและการสะกดคำของ DeepSpeech
    • โมเดลภาษาภายนอก (เช่น โมเดล n-gram)
    • ไมโครโฟนตัวที่สอง
    • ตัวแยกประเภทภาพที่ใหญ่ขึ้น
    • ชิปเข้ารหัสฮาร์ดแวร์
  6. เลเยอร์เอาต์พุตของ DeepSpeech ดั้งเดิมทำนายอะไรในแต่ละขั้นตอนเวลาเสียง?
    • เวกเตอร์อัตลักษณ์ผู้พูดที่คงที่เท่านั้น
    • เอกสารแปลที่สมบูรณ์หนึ่งฉบับโดยไม่มีขั้นตอนเวลา
    • การกระจายความน่าจะเป็นเหนือป้ายกำกับอักขระและสัญลักษณ์ว่างของ CTC
    • ชื่อไฟล์และรูปแบบการบีบอัดของการบันทึก
  7. CTC เชื่อมโยงเส้นทางป้ายกำกับเฟรมเสียงกับบทถอดความสุดท้ายของ DeepSpeech อย่างไร?
    • มันจัดเรียงป้ายกำกับอักขระทั้งหมดตามลำดับอักษร
    • มันต้องการเฟรมเสียงหนึ่งเฟรมต่อคำอย่างแม่นยำ
    • มันเก็บป้ายกำกับเฟรมที่ซ้ำกันทุกอันเป็นอักขระที่เขียนแยกกัน
    • มันทำให้การซ้ำหายไปและลบสัญลักษณ์ว่างตามกฎของ CTC
  8. ทำไมบริบทเสียงสองทิศทางของ DeepSpeech ดั้งเดิมจึงสำคัญเมื่อออกแบบระบบรู้จำแบบเรียลไทม์?
    • การทำซ้ำสองทิศทางไม่ต้องการการสังเกตในอนาคต
    • บริบทเฟรมในอนาคตต้องการการมองล่วงหน้าหรือการรอคอย ดังนั้นจึงไม่ใช่การสตรีมแบบไม่มีการมองล่วงหน้าโดยอัตโนมัติ
    • เครือข่ายสามารถรู้เสียงที่ตามมาก่อนที่มันจะถูกบันทึก
    • โมเดลภาษาระดับอักขระลบความต้องการการบัฟเฟอร์ทั้งหมด