แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการจำแนกแนวเพลง

ครอบคลุมการนำเสนอเสียง องค์ประกอบของ GTZAN ความคลุมเครือประเภท ความเสี่ยงการรั่วไหลของชุดข้อมูล และการประเมินข้อมูลที่ไม่เกี่ยวข้องกับศิลปิน

เส้นทางแนะนำที่เกี่ยวข้องการจำแนกแนวเพลง
คำถาม 1 ของ 8

เมล-สเปกโตรแกรมที่ใช้กันทั่วไปเป็นอินพุตสำหรับโครงข่ายประสาทเทียมที่จำแนกประเภทคืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. เมล-สเปกโตรแกรมที่ใช้กันทั่วไปเป็นอินพุตสำหรับโครงข่ายประสาทเทียมที่จำแนกประเภทคืออะไร
    • ภาพความถี่ตามเวลาของเสียงโดยใช้ระดับระดับเสียงที่รับรู้
    • รายชื่อเนื้อเพลงที่แปลงเป็นตัวเลข
    • รูปคลื่นที่แสดงแอมพลิจูดดิบในช่วงเวลาหนึ่งเท่านั้น
    • ฐานข้อมูลชื่อศิลปินและปีที่ออกผลงาน
  2. ชุดข้อมูลการวัดประสิทธิภาพแบบคลาสสิกใดที่มีคลิปความยาว 30 วินาทีจำนวน 1,000 คลิปจาก 10 แนวเพลง
    • อิมเมจเน็ต
    • จีทีซาน
    • LibriSpeech
    • โคโค่
  3. เหตุใดการบรรลุความแม่นยำในการจำแนกประเภทประเภทที่สมบูรณ์แบบจึงเป็นเรื่องยากโดยพื้นฐาน
    • คอมพิวเตอร์ไม่สามารถประมวลผลเสียงได้เลย
    • เพลงทั้งหมดมีเสียงเหมือนกันกับอัลกอริธึม
    • ขอบเขตประเภทไม่ชัดเจนและเป็นอัตนัยทางวัฒนธรรม
    • ไฟล์เสียงมีขนาดเล็กเกินกว่าจะวิเคราะห์ได้
  4. คุณลักษณะที่ประดิษฐ์ขึ้นด้วยมือข้อใดที่ใช้กันอย่างแพร่หลายในระบบการจำแนกประเภทประเภทแรกๆ
    • อัตราการบีบอัด JPEG
    • ความถี่แท็ก HTML
    • ฮิสโตแกรมความสว่างของพิกเซล
    • ค่าสัมประสิทธิ์เซปสตรัลความถี่เมล (MFCC)
  5. เลเยอร์ softmax ที่ส่วนท้ายของตัวแยกประเภทประเภทสร้างอะไร
    • การกระจายความน่าจะเป็นของคลาสประเภท
    • รูปแบบของคลื่นเสียงเดียว
    • ไฟล์ MP3 ที่ถูกบีบอัด
    • ภาพสเปกโตรแกรม
  6. How can self-supervised music pretraining reduce dependence on labeled genre examples?
    • It eliminates the need to evaluate genre labels
    • It can learn audio representations from unlabeled music, which are then evaluated or fine-tuned with labeled examples
    • It guarantees correct labels for every song
    • It converts genre categories into universal facts
  7. How can exact or repeated excerpts in GTZAN distort a random train/test evaluation?
    • They ensure that every genre label is objective
    • They make the test set contain more genres than training
    • If repetitions cross the split, a model may see duplicate or near-duplicate material in both sets
    • They remove any need to inspect class labels
  8. How do MFCCs differ from a mel-spectrogram representation?
    • MFCCs are the model’s final genre probabilities
    • A mel-spectrogram removes the time axis entirely
    • MFCCs measure only the recording’s file size
    • MFCCs summarize the log-mel spectrum with cepstral coefficients